diagnostic de la politique mon etaire en r ep. d em. congo...

Dynare Working Papers Serieshttp://www.dynare.org/wp/

Diagnostic de la politique monetaire en Rep. Dem.Congo – Approche par l’Equilibre General Dynamique

Stochastique

Jean-Paul Kimbambu Tsasa Vangu

Working Paper no. 38

April 2014

142, rue du Chevaleret — 75013 Paris — Francehttp://www.cepremap.fr

http://www.dynare.org/wp/

http://www.cepremap.fr

Jean – Paul Kimbambu, Tsasa Vangu Diagnostic de la politique monétaire en Rép. Dém. Congo Approche par l’Equilibre Général Dynamique et Stochastique

1

Diagnostic de la politique monétaire en Rép. Dém. Congo

Approche par l’Equilibre Général Dynamique Stochastique

Jean – Paul Kimbambu, Tsasa Vangu1

Chercheur au Laboratoire d’Analyse – Recherche en Economie Quantitative

Mail : [email protected]

Web : www.lareq.com

Mars 2014

Résumé

Ce papier se propose d’analyse la dynamique de la politique monétaire en République démocratique du

Congo (RDC), en adoptant une approche de modélisation par l’équilibre général dynamique stochastique

(DSGE). Le modèle DSGE construit à cet effet considère trois relations macroéconomiques standards ;

six catégories d’agents économiques ; trois types de rigidités nominales en plus des rigidités réelles

introduites via les habitudes de consommation. Les résultats obtenus à l’issue de nos investigations

révèle notamment, que l’écart de production est moins sensible aux variations du taux d’intérêt, ce qui

réduit l’impact des effets réels des chocs de la politique monétaire sur la demande globale, et que par

ailleurs, l’inflation courante pendant la décennie 2000 a été plus sensible à l’inflation future anticipée

qu’à son niveau passé.

Abstract

This paper aims to analyze the dynamics of monetary policy in the Democratic Republic of Congo (DRC),

adopting an approach by modeling the dynamic stochastic general equilibrium (DSGE). The DSGE model

constructed for this purpose considers three standard macroeconomic relations; six categories of

economic agents, three types of nominal rigidities, except real rigidities introduced through consumption

habits. The results obtained reveal in particular that the output gap is less sensitive to changes in

interest rates, which reduces the impact of the real effects of monetary policy shocks on aggregate

demand, and current inflation during the 2000s was more sensitive to expected inflation and less to its

past level.

Mots – clé : DSGE, SVAR, Monetary policy

JEL CODE : C61, E27, E32, E5

1 L’auteur remercie les Professeurs Kamiantako Miyamueni et Bosonga Bofeki pour leurs remarques à la réalisation de cet essai. Je remercie également d’une part, les professeurs Kabuya Kalala, Mukoko Samba, Ntagoma Kushinganine et Bofoya Komba et d’autre part, le CP Jean – Paul Mabaya, le CT Ngonga Nzinga, M. Blaise Nlemfu et mes collègues chercheurs du Laréq pour les multiples échanges et discussions. Les développements, propos et avis émis dans ce papier n’engagent que l’auteur.

mailto:[email protected]

http://www.lareq.com/

2 Jean – Paul Kimbambu, Tsasa Vangu

Introduction

Ce papier est un essai de construction et d’application, pour le cas de la RD. Congo, d’un modèle

d’équilibre général intertemporel stochastique, couramment appelé modèle DSGE (Dynamics Stochastic

General Equilibrium). Il se propose d’analyser l’incidence de la politique monétaire mise en œuvre par la

Banque centrale du Congo suivant une approche macroéconomique microfondée. Le modèle DSGE

construit à cet effet considère : trois relations macroéconomiques standards (une courbe IS forward

looking, une courbe de Phillips néo – keynésienne, et une règle de politique monétaire simple à la

Taylor) ; six catégories d’agents économiques ; trois types de rigidités nominales en plus des rigidités

réelles introduites via les habitudes de consommation (salaires, prix et taux d’intérêt sur le crédit) et

trois types de chocs aléatoires (demande, offre et politique monétaire).

Hormis l’introduction et la conclusion, le développement du papier se fait en trois séquences. Dans une

première séquence, nous présentons de la maquette d’un modèle DSGE adaptable à l’économie

congolaise, puis nous procédons à la calibration des paramètres et à la mise en œuvre des simulations.

Dans une deuxième séquence, nous analysons l’incidence de la politique monétaire en RDC à l’aide du

modèle DSGE construit et nous nous servons d’un modèle SVAR à l’effet d’extraire les fonctions de

réponse empirique. Dans la troisième, nous résumons les enseignements tirés de l’estimation du modèle

en cause et concluons l’analyse en évoquant quelques perspectives. In fine, le logiciel MatLab et la

plateforme Dynare ont été utilisés pour l’implémentation des simulations stochastiques et des

estimations bayésiennes.

I– Construction du modèle DSGE pour la RD. Congo

I.1– Dérivation du modèle d’analyse

La construction et l’implémentation d’un modèle DSGE distinguent plusieurs moments d’analyse : (i) la

spécification ; (ii) les tests, estimations et simulations et (iii) les applications. Pour le premier moment,

les travaux de Christiano, Eichenbaum et Evans (2005) ; Moyen et Sahuc (2008) ; Beaubrun – Diant et

Matheron (2008) ; Cheron et Langot (2008) nous ont servi de référence. Le deuxième moment d’analyse

s’inspire essentiellement des apports sémantiques de Juillard et Ocaktan (2008) ; Adjemian et Pelgrin

(2008) et Collard et Fève (2008). Et enfin, le troisième moment tire sa substance des articles de Clarida,

Gali et Gertler (1999) ; Botman, Karam et Laxton (2008) ; Coupet et Renne (2008) ; Adjemian, Cahn,

Devulder et Maggiar (2008) ; Portier (2008).

Considérons un modèle d’équilibre général dynamique et stochastique (DSGE) prenant en compte

l’hypothèse de rigidités nominales sur les prix (Woodford, 2003), dont la version standard (McCallum et

Nelson, 1999) comporte trois relations macroéconomiques standards : (i) une courbe IS forward looking

; (ii) une courbe de Phillips forward looking ; (iii) une règle de politique monétaire à la Taylor. Le recours

à ce modèle nous permettra d’une part, de capter la non – neutralité à court terme de chocs de politique

monétaire sur les variables réelles et d’autre part, d’appréhender le comportement de décideurs

politiques face à la dynamique du niveau d’output et à la cible de l’inflation.

Dans la version standard du modèle néo–keynésien, la transmission des effets de la politique monétaire

passe par le canal du taux d’intérêt. Le modèle que nous développons s’inspire particulièrement du cadre

d’analyse proposé par Hülsewig, Mayer et Wollmershäuser (2006). Le modèle théorique en cause


considère une économie comprenant six catégories d’agents : (i) un intermédiaire représentatif sur le

marché du travail ; (ii) un continuum de ménages indexés par i appartenant à [0 ; 1] ; (iii) un continuum

de banques commerciales et d’intermédiaires financiers indexés par g appartenant à [0, ;1] ; (iv) une

entreprise représentative de bien final ; (v) un continuum d’entreprises des biens intermédiaires

indexées par j appartenant à [0 ; 1] et (vi) une autorité politique, notamment une banque centrale.

Le modèle suppose trois types de rigidités nominales : (i) sur les prix ; (ii) sur les salaires ; et (iii) sur

les taux d’intérêt des crédits. Aussi, en vue d’améliorer la capacité du modèle à reproduire des faits

empiriques, nous intégrons dans le modèle, des rigidités réelles via les habitudes de consommation

(Fuhrer, 2000). Les rigidités nominales sont intégrées dans le modèle avec un mécanisme à la Calvo

(1983). Les prix et les salaires sont également indexés sur l’inflation passée. Enfin, nous supposons que

l’économie est perturbée par trois types de chocs, (i) un choc de demande dû aux préférences des

ménages, (ii) un choc aléatoire affectant l’offre (cost – push shock) et (iii) un choc de politique

monétaire.

I.1.1– Intermédiaire représentatif sur le marché du travail

Nous supposons que chaque ménage est doté d’un travail spécifique de type i et se trouve en situation

de concurrence monopolistique pour choisir son salaire et que chaque type de travail est offert sur le

marché du travail à un ensemble d’intermédiaires se trouvant en situation de concurrence parfaite,

employment agency (Erceg, Henderson and Levin, 2000).

A chaque instant du temps , l’intermédiaire représentatif sur le marché du travail achète unités de

travail pour un salaire au ménage de type . L’intermédiaire représentatif sur le marché du travail

constitue unités de travail agrégé à partir de différents types de travail. Le travail agrégé est vendu

pour un salaire aux entreprises de biens intermédiaires qui l’utilisent comme intrant dans leur fonction

de production.

En mobilisant la fonction d’agrégation à la Dixit – Stiglitz (1977) qui suppose que les types de travail

sont des substituts imparfaits avec une élasticité de substitution constante notée positive notée , on

écrit :

A chaque période, l’intermédiaire représentatif sur le marché du travail en situation de concurrence

choisit son travail agrégé et les types de travail utilisés pour réaliser ce travail agrégé, de

façon à maximiser son profit.

Le programme de l’intermédiaire représentatif sur le marché du travail est donné par :


La résolution de ce programme permet d’obtenir la demande pour le travail spécifique du ménage. Le

lagrangien associé au programme précédent s’écrit :

é é

Les trois conditions d’optimalité suivantes sont obtenues, en dérivant partiellement par rapport à

La résolution combinatoire de ces trois conditions permet d’obtenir la fonction de travail de

type i formulée par l’intermédiaire représentatif sur le marché du travail.

La situation de concurrence de l’intermédiaire représentatif sur le marché du travail implique la condition

ci – après :

I.1.2– Les ménages

Le ménage de type i retire une utilité de la consommation des biens finals et de la détention

d’encaisses réelles

. Il retire la désutilité en offrant du travail . Nous notons avec Fuhrer (2000) et

Ireland (2004), la fonction d’utilité intertemporelle du ménage comme suit :

é é é

é é

é é é é

é é é

é

Cette spécification du comportement des ménages permet (i) d’introduire un processus d’habitudes

internes dans le comportement de consommation des ménages et (ii) d’appréhender la persistance dans

les évolutions de la consommation suite à un choc.


La contrainte budgétaire du ménage de type i s’écrit :

é é é

é

é ê é

é é é

é é é

Au temps t, le ménage de type i détient un montant d’encaisse un montant de dépôts

rémunérés à un taux d’intérêt . Le ménage reçoit également un salaire des entreprises de

biens intermédiaires et des profits et

des entreprises de biens intermédiaires et des

intermédiaires financiers. Ces ressources sont affectées, suivant les préférences du ménage de type i à la

détention des encaisses aux dépôts et/ou aux dépenses de consommation

Le programme du ménage s’écrit dès lors :

En exécutant les conditions d’optimalité, on note trois équations avec le multiplicateur de Lagrange

associé à la contrainte budgétaire du ménage.

la présence de l’opérateur dans l’équation d’Euler résulte de l’hypothèse implicite d’après laquelle, les

ménages choisissent leur consommation avant la réalisation du choc de politique monétaire ;

cette relation caractérise la demande de monnaie et suppose que l’utilité marginale des encaisses est

égale à la différence entre l’utilité marginale de la consommation et l’utilité marginale future espérée de

la consommation ;

cette équation correspond à la condition de premier ordre associée au choix des dépôts et montre que le

taux d’intérêt sur les dép ts est égal au ratio entre l’utilité marginale courante de la consommation et

l’utilité marginale future espérée de la consommation.

En admettant que les ménages font face à des frictions nominales à la Calvo (1983), il y a lieu d’intégrer

les rigidités sur le marché du travail. On considère dès lors que chaque ménage peut réoptimiser son

salaire seulement avec une probabilité de à chaque période, indépendamment du temps s’étant

écoulé depuis sa dernière réoptimisation. Et en conséquence, le salaire est fixé pour une durée moyenne

de


La proportion des ménages, ne pouvant pas réoptimiser leur salaire, l’ajustent selon une règle simple

donnée par l’expression :

avec :

où

désigne l’inflation sur la période t et l’inflation à l’état stationnaire. Le

paramètre représente le degré d’indexation des salaires sur l’inflation de la date précédente à chaque

fois que le ménage n’a pas la possibilité de réoptimiser son salaire.

Pour une entreprise pouvant réoptimiser son salaire à la période t, le choix du salaire doit maximiser

la fonction suivante :

où est l’offre de travail en t + k du ménage de type i ayant réoptimisé son salaire pour la derni re

fois en t ;

é é

le ratio

représente le pouvoir de négociation des salariés ou le taux de marge salarial.

Eu égard au programme établi, la condition du premier ordre associée au choix du salaire par un

ménage i pouvant réoptimiser son salaire à la période t, est donnée par :

Une manipulation simple, nous permet d’écrire :

et d’obtenir :

En cas de salaires parfaitement flexibles, on aurait dû obtenir une condition telle que le salaire réel soit

égal au taux marginal de substitution entre la consommation et le travail. Etant donné que les frictions

nominales sur le marché du travail conduisent les ménages à anticiper qu’ils pourraient ne pas avoir la

possibilité de réoptimiser leurs salaires durant les périodes suivantes, ils sont donc conduits à prendre en


compte les déviations courantes et futures entre le salaire réel et le taux marginal de substitution, en

pondérant ces déviations par la probabilité qu’elles se produisent.

I.1.3– L’entreprise représentative de bien final

Le modèle suppose que l’entreprise produisant le bien final œuvre dans un environnement concurrentiel.

On note un continuum d’entreprises de biens intermédiaires différenciées indexées par .

Parallèlement, chaque entreprise de bien intermédiaire produit en concurrence monopolistique un bien

spécifique de type

Par ailleurs, l’entreprise représentative de bien final achète, à chaque période, unités de bien

intermédiaire au prix pour produire unités de bien final. L’output est vendu au prix

aux ménages pour leur consommation. Puisque l’on admet que les biens intermédiaires sont des

substituts imparfaits avec une élasticité de substitution constante, , la technologie de production

utilisée par l’entreprise représentative produisant l’output agrégé est déterminée par une fonction

d’agrégation à la Dixit – Stiglitz (1977) :

Le choix de et doit tenir compte de l’objectif de maximisation de son profit :

La résolution de ce programme permet d’obtenir la demande pour le bien intermédiaire Le

Lagrangien associé au programme de maximisation en cause s’écrit :

é é é é

é é

Les trois conditions du premier ordre associées à ce programme sont obtenues en dérivant partiellement

le Lagrangien par rapport à :


La résolution de ces trois équations permet de dériver la fonction de demande de bien intermédiaire de

type j formulée par l’entreprise représentative de bien final :

La fonction de demande de bien intermédiaire de type j formulée par l’entreprise représentative de bien

final peut également s’écrire :

L’environnement concurrentiel dans lequel évolue l’entreprise représentative de bien final implique la

condition suivante :

correspondant à une situation de profit nul, ce qui est équivalent à :

I.1.4– L’entreprise représentative de biens intermédiaires

L’entreprise représentative produisant le bien intermédiaire de type j est en concurrence monopolistique

sur le marché des biens intermédiaires. Elle choisit le prix auquel elle vend son bien intermédiaire de

type j aux entreprises de bien final, ainsi que la quantité de demande de travail agrégé adressée à

l’intermédiaire sur le marché du travail. Le bien intermédiaire de type j est obtenu en utilisant la fonction

de production suivante :

Les entreprises de biens intermédiaires :

payent les salaires avant de réaliser leur production ;

empruntent en début de chaque période le montant aux intermédiaires financiers et

supporter la charge d’intérêt à la fin de chaque période ;

supportent les coûts de production de où

est le taux d’intérêt « brut » sur le crédit

contracté par l’entreprise intermédiaire de type j, tel que

avec le taux d’intérêt

sur les crédits –ainsi, le taux d’intérêt sur les crédits est donc un des déterminants des coûts de

production, car une répercussion du taux d’intérêt du marché monétaire sur le taux des crédits

entraine directement une modification du coût marginal supporté par les entreprises.


Le profit à la période t de l’entreprise produisant le bien intermédiaire de type j est donné par

l’expression suivante :

L’entreprise représentative produisant les biens intermédiaires maximise son profit intertemporel sous

les contraintes de sa fonction de production et la fonction de demande de bien intermédiaire de type j

formulée par les entreprises produisant le bien final.

sous contraintes

Les profits réalisés sont distribués aux ménages. La condition d’optimalité associée au choix de la

quantité de travail agrégé demandée permet de dériver une expression du coût marginal supporté par

l’entreprise de bien intermédiaire de type j.

Le choix de la quantité de travail agrégé demandée par l’entreprise intermédiaire de type j est

caractérisé par le programme de maximisation ci – après :

l’expression

désigne la valeur de l’utilité marginale pour un ménage de recevoir une unité

monétaire de profit supplémentaire pendant la période t. La condition d’optimalité associée au choix du

nombre d’unités de travail utilisées par l’entreprise intermédiaire de type j est donnée par :

ou encore :

où est le multiplicateur de Lagrange associé à la contrainte représentée par

la fonction de production et

représente le coût marginal réel.

Le coût marginal réel supporté par les entreprises de biens intermédiaires est donné par :

é é é

é


Le modèle postule que les entreprises de biens intermédiaires :

sont confrontées à des rendements décroissants,

développent des relations durables avec des banques spécifiques ;

font face à des coûts marginaux différents.

Partant, le coût marginal supporté par l’entreprise de bien intermédiaire de type j peut donc s’écrire :

é é é

é

Le coût marginal réel moyen supporté par les entreprises de biens intermédiaires est donné par :

Ainsi, il devient possible de préciser le rapport entre le coût marginal de l’entreprise de biens

intermédiaires de type j et le coût marginal moyen :

ou encore d’après et

:

é é

Et puisque le modèle suppose que les crédits servent à financer les salaires :

et

le rapport entre le coût marginal de l’entreprise de biens intermédiaires de type j et le coût marginal

moyen s’établit comme suit :

En admettant que les entreprises de biens intermédiaires sont confrontées à des frictions nominales à la

Calvo (1983), le modèle intègre dans l’analyse les rigidités sur le marché des biens intermédiaires. On

note qu’à chaque période, les entreprises de biens intermédiaires peuvent réoptimiser leur prix

seulement avec une probabilité indépendamment du temps écoulé depuis sa dernière


réoptimisation. De ce fait, une proportion des entreprises de biens intermédiaires peut réoptimiser

son prix et ce prix restera fixé pour une durée moyenne de

La proportion des entreprises de biens intermédiaires qui ne peuvent pas réoptimiser leur prix ajustent

leur prix selon la règle automatique résumée par l’expression ci – après :

avec :

où

désigne l’inflation sur la période t et l’inflation l’état stationnaire. Le param tre représente le

degré d’indexation des prix des biens intermédiaires sur l’inflation de la date précédente.

Pour une entreprise de bien intermédiaire de type j pouvant réoptimiser son prix à la période t, le choix

du prix passe par la maximisation du programme suivant :

où est la production en t+k de l’entreprise intermédiaire de type j ayant réoptimiser son prix

pour la dernière fois en t et est le coût réel associé à la production de

Le coût réel supporté par l’entreprise de bien intermédiaire de type j est donné par :

et le coût marginal est donné par l’équation :

Eu égard au programme établi, la condition du premier ordre associée au choix du prix par une

entreprise représentative produisant le bien intermédiaire et pouvant réoptimiser son prix à la période t,

est donnée par :

Une manipulation simple, nous permet d’obtenir :


I.1.5– Les intermédiaires financiers

Le modèle considère les hypothèses suivantes :

(i) les intermédiaires financiers entretiennent une relation stable (relation durable) avec les entreprises

de biens intermédiaires.

L’intermédiaire financier de type fait face à la fonction de demande de prêts (fonction de

demande de crédit) :

similaire aux équations utilisées pour représenter :

la demande de travail de type i :

la demande de biens intermédiaires de type j :

mais sans micro – fondation. L’obtention d’une fonction de demande de crédit avec fondements

microéconomiques peut être obtenue, comme dans Henzel et al. (2007), à partir d’un programme de

minimisation des coûts d’une entreprise de bien intermédiaire détenant un portefeuille de crédit

diversifié. L’environnement financier comporte, dans ce cas, des banques se livrant à la concurrence sur

les taux d’intérêt des crédits et offrant des prêts différenciés suivant la taille des entreprises, le secteur

d’activités ou la spécialisation géographique.

Le paramètre représente l’élasticité au taux d’intérêt de la demande de crédit et donc, s’apparente

à l’incitation de l’entreprise intermédiaire de mettre fin à sa relation avec sa banque si cette dernière

modifie son taux d’intérêt. Plus prend de valeurs élevées, plus la relation entre la banque et

l’entreprise intermédiaire est fragile et plus la structure du marché du crédit est proche d’une situation

concurrentielle. La variable représente le taux d’intérêt appliqué sur les prêts accordés par la

banque g ;

(ii) l’entreprise représentative de bien final utilise l’ensemble des biens intermédiaires disponibles ;

(iii)l’intermédiaire représentatif sur le marché de travail utilise l’ensemble des types de travail

disponibles ;

(iv) les crédits reçus par les entreprises intermédiaires ne sont pas diversifiés sur l’ensemble des

intermédiaires financiers présents sur le marché du crédit ;

(v) les entreprises de biens intermédiaires maintiennent des relations durables avec un intermédiaire

financier particulier ;

(vi) le marché du crédit est caractérisé par des rigidités ; en effet, les banques peuvent modifier leur

taux d’intér t suivant le processus la Calvo (1983).


A chaque période, les intermédiaires financiers peuvent réoptimiser leur taux d’intérêt seulement avec

une probabilité 1 – indépendamment du temps s’étant écoulé depuis son dernier ajustement. Ainsi,

chaque période, une proportion 1 – des banques peut ajuster son taux d’intérêt et ce taux restera fixé

pour une durée moyenne de

; et une proportion des banques conserve son taux d’intérêt

inchangé. La taux d’intérêt agrégé satisfait ainsi la condition :

où est le taux d’intér t réoptimisé par les banques.

Une banque ayant la possibilité de réoptimiser son taux d’intérêt à la période t choisit son taux d’intérêt

de façon à maximiser la valeur présente espérée de ses profits donnée par :

avec les profits réalisés par la banque et

le facteur d’escompte. On note par ailleurs que,

puisque les profits sont redistribués aux ménages à la fin de chaque période, le facteur d’escompte

égalise au taux marginal intertemporel de substitution du ménage représentatif ;

(vii) les banques accordent des crédits aux entreprises intermédiaires se financent par dépôts

et contractent des crédits auprès de la banque centrale .

Le profit à la période t + k de la banque g ayant réoptimisé son taux d’intérêt à la période t pour la

dernière fois, est noté :

où désigne le taux d’intér t réoptimisé par la banque g la période t ;

le taux d’intér t sur les dép ts la période t + k et

le taux d’intér t contr lé par la banque centrale la période t +k ;

(viii) l’absence d’opportunité d’arbitrage. Cela nous conduit admettre que :

le taux d’intér t sur les dép ts est égal au taux d’intér t contr lé par la banque centrale. ;

le taux d’intér t sur les dép ts est exog ne par la banque ;

(ix) la contrainte de bilan de la banque est par une relation linéaire simple, notée :

(x) le volume de crédits accordés est égal à la somme des dépôts reçus des ménages et des liquidités

obtenues auprès de la banque centrale.

Ainsi, en considérant l’équation définissant le profit à la période t + k, soit

on peut dès lors écrire :


Et donc, le programme d’une banque ayant la possibilité de réoptimiser son taux d’intérêt consistera à

choisir son taux d’intérêt de façon à maximiser son profit intertemporel sous la contrainte de la

fonction de demande de crédit. Ce programme de maximisation s’écrit comme suit :

sous contrainte

La condition d’optimalité associée à ce programme est donnée par :

ou encore :

é

é é é

I.1.6– La banque centrale

La banque centrale fixe son taux d’intérêt en appliquant une règle. Comme d’aucuns le recommandent

(Smets et Wouters, 2003 ; Hülsewig, Mayer et Wollmershäuser, 2006), le choix de la règle de politique

monétaire à retenir doit tenir compte des considérations empiriques. Nous privilégions l’approche

normative1 qui consiste à adopter une règle de politique monétaire optimale résultant d’un

comportement d’optimisation, afin d’aboutir à la meilleure représentation des données par le modèle.

En vue de prendre en compte la problématique de disponibilité des données statistiques, nous supposons

et considérons par la suite que la banque centrale minimise une fonction quadratique de perte

intertemporelle donnée par une relation traduisant ses préférences par rapport aux déviations de

l’inflation. En simplifiant la notation et en adaptant le modèle aux contraintes imposées par

l’environnement statistique de la RD Congo, on obtient :

sous contrainte de

(1) la nouvelle courbe IS caractérisant la demande agrégée2 :

une valeur élevée du coefficient a ( ) indique l’importance et la persistance des habitudes de

consommation des ménages ;

le mécanisme de la politique monétaire est défini par les coefficients et . Une faible valeur de

ces paramètres indiquent que les ménages sont moins poussés à lisser leur consommation et

1 Notons par ailleurs que l’approche descriptive cherche à estimer en équilibre partiel une règle de Taylor. 2 La nouvelle courbe IS est dérivée de la log – linéarisation de l’équation d’Euler sur la consommation des ménages.


donc, l’écart de production devient plus sensible aux réactions des chocs de la politique

monétaire ;

le niveau de l’écart de production courante est positivement corrélé à la variation de l’écart de

production passée ou future et négativement corrélé à la variation du taux d’intérêt.

(2) la courbe de Phillips néo – keynésienne, fonction des prix et caractérisant l’offre agrégée1 :

le paramètre évoluant inversement à la probabilité mesure la sensibilité de l’inflation due

aux fluctuations de la production. Il est défini par les paramètres structurels du modèle :

é é é La valeur de est élevée, et donc

faible, lorsque les prix sont fortement rigides. Dans ce cas, l’inflation devient moins sensible aux

déviations de la production ;

l’inflation courante est positivement corrélée au niveau de l’inflation passée, à l’inflation future

anticipée et à l’écart de production courante.

(3) la fonction de réaction de la banque centrale :

é

é é

é é é é

é

é

é é é

é é é

é

La troisième contrainte décrit le mécanisme de détermination du taux d’intérêt nominal par la banque

centrale lorsqu’elle répond aux déviations de l’inflation et de la production. Au regard de restrictions de

Blanchard et Kahn (1980), cette contrainte assure l’équilibre du modèle et garantit l’existence d’une

solution unique.

Au regard de travaux de Cateau et Murchison (2010), McCaw et Morka (2005) et Côté, Lam, Liu et St –

Amant (2002), nous considérons, dans le cadre de notre étude, la troisième contrainte comme la règle

de la politique monétaire. Après une investigation sur la performance des règles de la politique

monétaire sur douze modèles, les auteurs précités montrent que les règles monétaires simples,

notamment celle proposée par Taylor, se comportent mieux que les règles plus complexes. Par ailleurs,

puisque la banque centrale ne maîtrise pas son environnement, nous intégrons la composante

stochastique dans la troisième contrainte du programme.

En considérant le programme dérivé ci – haut, il convient de noter que des valeurs faibles de paramètres

signifient que la banque centrale accorde plus d’importance au présent et est plus concernée par

les déviations de l’inflation (Rudebusch et Svensson, 2001).

1 La NKPC est dérivée de l’équation d’Euler des formes individuelles en compétition monopolistique fixant leur prix

optimal à la Calvo (1983) avec une indexation à la Christiano, c’est – à – dire il existe une probabilité θ pour une

firme de ne pas ré – optimiser son prix et parmi celles qui ne ré – optimisent pas, une proportion indexe leurs prix

courants par rapport au niveau de l’inflation passée telle que, pour chaque firme j,


Lorsque le taux d’escompte stochastique :

tend vers l’unité, la fonction quadratique peut être décalée de [Rudebusch et Svensson

(2001) et Dennis (2004)]. Ainsi, on obtient :

égale à l’unité, la limite converge à l’espérance non conditionnelle de la fonction de perte définie

par la somme pondérée des variances non – conditionnelles de l’inflation et de l’écart de

production notée par :

L’espérance non conditionnelle de la fonction de perte obtenue précédemment permet l’évaluation de

l’efficacité d’une politique monétaire selon le poids relatif accordé aux déviations de la production.

I.2– Linéarisation, Equilibre du modèle et Politique monétaire optimale I.2.1– Linéarisation du modèle

Notons que les deux premières équations de fonctions contraintes du programme de la banque centrale

dérivé précédemment sont non linéaires en paramètres. Cette spécification ne facilite pas l’identification

de l’état stationnaire du modèle, condition nécessaire pour la mise en œuvre des estimations et

simulations. Ainsi, à la lumière du programme initial, nous considérons pour la suite de l’analyse le

modèle suivant :

sous contrainte de

Les différents paramètres du modèle d’analyse et leur description respective sont repris dans le tableau

suivant.

Tableau 1 : Description des paramètres du programme de la banque centrale

Paramètre Description

Taux d’escompte des ménages

Poids relatif accordé aux déviations de la production par rapport à celles de l’inflation

Degré de sensibilité de l’écart de production courante par rapport son niveau futur

anticipé

Elasticité de l’écart de production courante au taux d’intér t réel

Degré de sensibilité de l’inflation courante par rapport son niveau futur anticipé

Elasticité de l’inflation l’écart de production

Degré de réaction du taux d’intér t nominal aux déviations de l’inflation

Degré de réaction du taux d’intér t nominal l’écart de production

Ecart – type du choc de demande

Ecart – type du choc d’offre

Ecart – type du choc monétaire


En considérant le programme linéarisé, nous relevons deux paramètres majeurs dans le cadre de notre

analyse. Le paramètre capte le canal de transmission de l’action de la politique monétaire sur

l’économie. Une valeur faible de réduit la sensibilité de l’écart de production face à l’action de la

banque centrale sur le taux d’intérêt.

Et parallèlement, le paramètre précise le mécanisme de transmission des effets de la politique

monétaire aux fins de stabilisation macroéconomique et détermine le degré d’arbitrage entre les

déviations de l’inflation et celles de la production. Une valeur positive de indique une réduction

immédiate de l’inflation à la suite d’un choc de politique monétaire. Pour des valeurs faibles, il implique

une faible fréquence d’ajustement. Dès lors, l’action de la banque centrale sur le taux d’intérêt est

négativement corrélée à la variation de l’écart de production et positivement corrélée à

l’inflation .

I.2.2– Equilibre du modèle A l’équilibre symétrique, nous obtenons les résultats consignés dans le tableau suivant.

Tableau 2 : Equilibre comptable du modèle d’analyse

La contrainte de ressource agrégée pour l’économie est donnée par l’équation :

ou encore :

La contrainte de ressource agrégée pour l’économie devient donc : En réécrivant le problème

d’optimisation dynamique de la banque centrale sous sa forme matricielle, on obtient :

tel que :

Avec :

le vecteur des variables endogènes tel que :


la variable de contr le définie comme l’instrument de politique monétaire de la banque

centrale ;

un vecteur contenant les chocs structurels du modèle ;

la matrice des poids relatifs accordés aux déviations de l’inflation et à celles de la production

dans la fonction – objectif de la banque centrale ;

les matrices des coefficients contenant les paramètres structurels dans les contraintes

telles que :

La fonction Z lagrangienne du programme de la Banque centrale sous forme matricielle s’écrit :

En appliquant les conditions d’optimalité, par rapport aux variables de décision (Y, R), à la fonction de

Lagrange dérivée, on obtient :

Pour la période

Pour la période

La solution initiale (au temps t=0) est donnée par Ce résultat suppose que le coût de la banque

centrale est nul lorsqu’elle met en œuvre une politique monétaire crédible sous engagement.

En considérant la forme canonique de résultats obtenus après application de conditions d’optimalité, on

parvient au système d’anticipations rationnelles suivant :

En admettant l’hypothèse de crédibilité parfaite de la banque centrale [Söderlind (1999), Giordani et

Söderlind (2004), Dennis (2004, 2007)], la solution au programme établi (résolution par la méthode de

coefficients indéterminés) est donnée par le système dynamique suivant :


ou autrement :

II.2.3– Politique monétaire optimale

En considérant la solution du programme, il devient plus facile de dériver la règle optimale de la politique

monétaire et préciser la nature des impacts des chocs structurels sur les variables macroéconomiques.

On a ainsi :

Cette règle est considérée comme la règle monétaire la plus optimale [McCallum (1999), Dennis (2007)]

puisque :

répondant à l’information disponible, , au moment de la prise de décision par la banque

centrale ;

intégrant, à travers sa composante stochastique , l’effet des chocs structurels courants ;

tenant compte de la manière dont les anticipations des agents privés sont formées dans le passé

en précisant, via les multiplicateurs de Lagrange le coût à supporter par la banque centrale

sous contrainte du respect de son engagement ;

résultant des pertes de bien – être social plus minimales.

Pour capter la dynamique d’une variable économique à la suite d’un choc, nous considérons l’équation :

De ce fait, l’impact des chocs :

sur les variables économiques définies par :

est donné par la fonction de réponse suivante :

Notons que les effets de chocs sur les variables macroéconomiques dépendent de la nature du système.

Lorsque le système est stationnaire et que la matrice de transaction N stable, l’impact des

chocs temporaires s’amortit et disparait lorsque l’horizon considéré tend vers l’infini.


I.3– Présentation et Transformation des données

Le modèle construit sera estimé en considérant la période 2002 – 2012. Les chroniques considérées ont

été tirées de la base des données de la Banque Mondiale (WDI – 2012) et complétées par des données

plus récentes de la Banque Centrale du Congo (BCC) et de l’Institut National de Statistiques (INS). Nous

reprenons en annexe 3 les séries originelles et les séries trimestrialisées (désagrégation temporelle) et

transformées. La dérivation de l’évolution tendancielle des données a été réalisée à l’aide du filtre de

Hodrick – Prescott.

Les données considérées pour l’analyse sont (i) le produit intérieur brut à prix constant ; (ii) l’indice de

prix à la consommation ; (iii) le taux d’intérêt directeur nominal.

Pour répondre à l’exigence de stationnarité, les variables de production et de prix sont mesurées en

logarithme et le taux d’intérêt nominal en différence première avant de les transformer en pourcentage

de déviations par rapport à leurs niveaux de long terme (valeurs cibles). Ainsi, on obtient :

l’écart de production :

l’écart du taux d’inflation :

l’écart du taux d’intér t nominal :

Pour les pays en développement, notamment la RD Congo, le taux d’intérêt d’équilibre de long terme

peut être établi entre 5 et 10 % dans un environnement à inflation relativement faible.

A l’état stationnaire, on note des variations nulles pour les variables suivantes :

II– Calibration, Simulation et Estimation

II.1– Calibration du modèle et distribution a priori des paramètres

Comme l’indiquent Coupet et Renne (2008) et Mankiw (2010), le principe de la calibration consiste, sans

recourir aux calculs numériques lourds, à affecter des valeurs aux paramètres du modèle sur la base de

l’information a priori et à les ajuster afin de : (i) produire numériquement une situation initiale

donnée ; et (ii) dériver les implications empiriques du modèle. Cette démarche impose une certaine

discipline et prudence dans le sens où le modèle ne peut expliquer les fluctuations s’il n’est pas calé sur

les faits réels. L’idée fondamentale est que l’on suppose au départ que l’économie est en état

stationnaire, avant de la soumettre à de chocs exogènes, et d’analyser, par la suite, les effets


dynamiques et les ampleurs de ces chocs sur l’économie à l’aide des fonctions impulsion – propagation1

ou fonction de réaction afin de mieux appréhender les mécanismes d’ajustement régissant les variables

retenues dans le système économique et d’apprécier pertinemment la corrélation entre elles dans le

temps. La dynamique des variables est une combinaison du choc et de sa propagation dans le temps et

dans l’espace du système économique.

Etant donné qu’il n’existe pas, pour la RDC, une étude sur le modèle DSGE de référence portant sur la

RDC, nous avons procédé, pour réaliser le calibrage des paramètres du modèle d’analyse, à une

concertation entre (i) les valeurs des paramètres généralement admis par la littérature économique

[Gali, Gertler et Lopez – Salido (2003) ; Lubik et Schirfheude (2004) ; Fuhrer et Rudebusch (2004) ;

Christiano, Eichenbaum et Evans (2005) ; Dennis (2005), Castelnuovo (2006)], (ii) le compromis tiré

après revue de la littérature de quelques études réalisées dans les économies africaines et pays en

développement [Oleka et Oyaromade (2007) ; Steinbach, Mathuloe et Smit (2009) ; Dagher, Gottschalk

et portillon (2010) ; Garcia – Cicco, Pancrazi et Uribe (2010)] et (iii) les résultats obtenus après

estimations économétriques. Parallèlement au calibrage, nous considérons l’analyse sémantique de

Smets et Wouters (2003) pour identifier la distribution des paramètres a priori des paramètres du

modèle.

Pour la fonction – objectif de la banque centrale, il y a lieu de considérer les valeurs suivantes pour la

préférence {0,25 ; 0,5 ; 0,75} respectivement selon que l’on met en avant l’hypothèse d’inflation forte,

neutre ou faible. Pour la nouvelle courbe de la demande agrégée, on note un degré de sensibilité de

l’écart de production par rapport aux taux d’intérêt de 0,24 ; un degré de persistance des habitudes de

consommation de 0,69 ; une élasticité d’aversion au risque de 0,90 et un degré de sensibilité de l’écart

de la production courante par rapport à son niveau futur anticipé de 0,40. Pour la courbe de Phillips néo

– keynésienne, notons une valeur du facteur d’escompte fixé à 0,995 ; une proportion de 0,80 de firmes

qui ne ré – optimisent pas leurs prix à la période t (fréquence trimestrielle) ; un degré d’indexation des

firmes qui n’optimisent pas leurs prix de 0,90 ; une élasticité de la demande du travail des ménages de

0,60 ; un degré de sensibilité de l’inflation courante par rapport à son niveau futur anticipé de 0,65 ; une

élasticité de l’inflation à l’écart de production de 0,18. Enfin, en vue de garantir l’existence d’une solution

unique au modèle, Taylor (1993) fixe le degré de réaction du taux d’intérêt nominal aux déviations de

l’inflation à 1,5 et le degré de réaction du taux d’intérêt nominal à l’écart de production à 0,5.

II.2– Simulations

A l’effet de calculer les variabilités observées de l’inflation et celles de l’écart de production, les

simulations réalisées sont de nature stochastique avec perturbations. Il sera question de simuler 25 000

fois les équations linéarisées et calibrées par les valeurs estimées du vecteur . Et le couple de variances

non – conditionnelles

facilite la définition du point de performance de la politique monétaire.

II.3– Approche d’estimation

1 Le terme impulsion désigne le choc qui est gardé en mémoire durant t périodes plus tard, alors que le terme

propagation traduit la réaction des variables endogènes à ce choc au passage du temps.


La procédure d’estimation est menée suivant l’approche bayésienne et se déploie en deux étapes.

Premièrement, l’estimation des paramètres structurels à l’aide des techniques bayésiennes ;

deuxièmement le calcul, à l’aide des simulations, des variabilités observées et optimales de taux

d’inflation et production suivant la méthode des perturbations explicitée dans Juillard et Ocaktan (2007),

et donc l’explicitation de la règle de politique monétaire la plus optimale.

Le vecteur paramétrique à estimer comprend neuf paramètres en plus du taux d’escompte qui, au regard

de la théorie, est fixée à 0,9821. Ainsi, on a :

L’estimation bayésienne permet d’obtenir la distribution a posteriori des paramètres étant donné les

chroniques observées ( ), la structure du modèle (M) et la distribution a priori des paramètres en

cause

1 Nous considérons, pour notre étude la valeur résultant du calcul de


23

Tableau 3 : Calibration et distribution a priori des paramètres

Equation Paramètre Description Fonction de

densité

Valeur a priori

moyenne Déviation

standards

Nouvelle Courbe de la Demande

Agrégée

Degré de sensibilité de l’écart de production courante

par rapport à son niveau futur anticipé Beta 0,40 0,10

Elasticité de l’écart de production courante au taux

d’intér t réel Gamma 0,24 0,10

Courbe de Phillips Néo –

Keynésienne

Degré de sensibilité de l’inflation courante par rapport

son niveau futur anticipé Beta 0,65 0,10

Elasticité de l’inflation l’écart de production Gamma 0,18 0,05

Fonction de réaction de la banque

centrale

Degré de réaction du taux d’intér t nominal aux

déviations de l’inflation Normal 1,50 0,20

Degré de réaction du taux d’intér t nominal l’écart de

production Normal 0,50 0,15

Chocs Ecart – type du choc de demande Inverse gamma 0,46 2,00

Ecart – type du choc d’offre Inverse gamma 1,09 2,00

Ecart – type du choc monétaire Inverse gamma 0,49 2,00

Les informations et données recueillies tout au long de deux premières sections de ce chapitre vont nous permettre de réaliser, de manière approfondie et

rigoureuse, l’évaluation de la politique monétaire, et donc, d’exécuter un premier modèle de type DSGE pour la RDC.


24

III– Diagnostic de la politique monétaire de la Banque centrale du Congo

Cette section se développe en deux points. Il sera question, avant tout, d’évaluer la politique monétaire

en RD. Congo au regard des résultats issus des simulations et estimations et ensuite, d’associer à

l’entonnoir keynésien quelques principes de gestion prudentielle, partant des enseignements tirés des

prédictions caractérisant les interactions des agrégats retenus dans l’analyse de la dynamique du cadre

de la politique monétaire en RD. Congo.

Par ailleurs, l’analyse des résultats des estimations se fera en trois temps. L’attention sera portée

respectivement sur :

(i) les paramètres structurels relatifs, notamment, à l’équilibre du système économique. Il sera donc

question de se rendre compte de la pertinence des prédictions issues des estimations, d’une part, de la

nouvelle courbe IS caractérisant la demande agrégée et d’autre part, de la courbe de Phillips néo –

keynésienne, fonction des prix et caractérisant l’offre agrégée ;

(ii) les paramètres décrivant le principe de Taylor, caractérisant la règle de la politique monétaire. Car au

regard du modèle d’incohérence temporelle de politique optimale proposée par Kydland et Prescott

(1977), il est recommandé, en vertu du postulat de la rationalité économique, que l’autorité de décision

dispose d’une règle car la problématique du policy – mix1 n’apparait plus comme un problème de

l'affectation des instruments de politiques économiques mais plutôt comme celui de la coordination entre

les autorités de politique économique. Ainsi, le policy – mix apparait, à ce jour, comme une interaction

stratégique analysée à travers les outils de la théorie des jeux. A titre illustratif, dans l’analyse de Blinder

(1982), on note que les autorités monétaires et fiscales exercent leur action au travers de l'entonnoir

commun sans chercher à s'entendre, à tel enseigne qu’un équilibre de Nash inefficace (un taux d'intérêt

et un déficit public élevés) est un événement réalisable ;

(iii) les déviations standards ou paramètres liés aux chocs exogènes du modèle. certains chocs secouant

le cadre macroéconomique ne résulte pas de la volonté du décideur public, mais ce dernier est appelé à

mettre en place des mesures de gestion de tels événements. D’où la nécessité d’intégrer la dimension

stochastique dans l’analyse.

Le système considéré pour apprécier la dynamique de la politique monétaire en RD. Congo pendant la

période 2002 – 2011, se présente comme suit après estimation (tous les détails sur les simulations sont

contenus dans les annexes).

1 Le policy – mix, étant une articulation entre politique monétaire et politique budgétaire, est généralement défini

comme une action globale visant à faire interagir, de manière prudente, des mesures monétaires et budgétaires à l’effet de stabiliser l'activité économique.


En examinant l’équation de la nouvelle courbe IS déterminant la demande agrégée, le coefficient estimé

de la production future anticipée, révèle une particularité sur la dynamique de la production courante. Sa

valeur estimée est fixée à 0,5022, proche de 0,49 trouvée par Benati (2008). Ce résultat suggère que

dans un environnement macroéconomique relativement stable, la production actuelle dépend, presque

dans les mêmes poids, de son niveau passé et de son niveau futur anticipé ; mais en période de

récession, elle serait de plus en plus influencée par son niveau retardé. Cette persistance de la

production est due à l’effet de lissage de la consommation par les ménages selon qu’ils anticipent une

expansion ou une récession. En effet, l’anticipation d’une expansion (récession) incite les ménages à

maintenir ou à hausser (diminuer) leur consommation courante et, en conséquence, affecte le niveau de

production.

Concernant le paramètre qui capte la sensibilité de la production courante aux variations du taux

d’intérêt réel, la valeur estimée pour la période sous – analyse est de 0,0327 et est significativement

différente de zéro. Cette faible valeur signifie que l’écart de production est moins sensible aux variations

du taux d’intérêt, ce qui réduit l’impact des effets réels des chocs de la politique monétaire sur la

demande globale. Cela s’explique par le fait que les ménages sont devenus, soit plus poussés à lisser

leur consommation en accordant un poids élevé à leurs habitudes externes de consommation, soit plus

averses au risque.

S’agissant de l’équation de la courbe de Phillips Néo – Keynésienne (NKPC), la valeur estimée du

paramètre (0,7707) indique que l’inflation courante est plus sensible à l’inflation future anticipée plut t

qu’à son niveau passé. Ce résultat corrobore les prédictions de Galí et Gertler (2005) sur la dynamique

observée dans la courbe de Phillips Néo – Keynésienne hybride qui atteste une forte sensibilité de

l’inflation courante à sa valeur future anticipée. Il ressort de ces résultats les constations suivantes : (i)

les agents économiques, notamment les firmes qui révisent leurs prix, accordent de plus en plus de poids

aux prévisions futures de l’inflation ; (ii) en considérant l’hypothèse d’anticipations d’inflation future

presque nulles, les firmes seront de moins en moins incitées à réviser leurs prix, ce qui rend les prix

:

: l'écart – type du choc de demande ;

: l’écart – type du choc d’offre ;

: l'écart – type du choc monétaire.

sous contrainte de


rigides et réduit significativement l’effet induit de l’inflation. Et comme le montre Ragan (2007), cet

ancrage des attentes d’inflation est un élément essentiel au succès de la politique monétaire.

Quant à l’élasticité de l’inflation par rapport à l’écart de production, le coefficient estimé (0,0548) est

positif et compris à 90% de confiance entre 0,0275 et 0,0820. La positivité de ce coefficient implique une

baisse inhérente de l’inflation à la suite d’un choc de politique monétaire. Mais, l’élément le plus intrigant

réside au niveau de leurs amplitudes. La valeur très faible indique que l’inflation est de loin moins

sensible aux fluctuations de la production en RD. Congo, avec comme conséquence une stabilité relative

des prix étant donné le non – ajustement fréquent des prix par les firmes. Ce qui offre un arbitrage

favorable à la Banque centrale, car une forte déviation de la production, au regard de ces estimations,

n’a qu’un impact très faible sur le niveau de l’inflation. L’amélioration de l’arbitrage couplée avec la faible

persistance de l’inflation ainsi qu’un fort engagement du gouvernement (Troïka politique de la stratégie

gouvernementale) à lutter contre l’inflation ont contribué à doper les efforts de la politique monétaire

suivie en augmentant ses effets avec, entre autres, comme résultat positif une réduction significative de

l’inflation en 2010 et 2011 et la stabilisation macroéconomique.

Intéressons – nous à présent à l’analyse des paramètres relatifs à la politique monétaire. Il s’agit de

deux paramètres et liés aux degrés de réaction du taux d’intérêt nominal aux déviations de

l’inflation et à celles de la production. Les coefficients estimés attestent que la Banque Centrale du Congo

a suivi une politique monétaire agressive et stabilisatrice étant donné que le taux d’intérêt nominal réagit

plus que proportionnellement aux déviations de l’inflation par rapport à sa cible et fortement aux

fluctuations de la production par rapport à son niveau potentiel. Il s’agit donc, aux termes de Clarida,

Gali et Gertler (2000), d’une politique monétaire active et non accommodante à l’inflation.

Enfin, analysons les comportements des paramètres liés aux chocs exogènes du modèle mesurés par les

trois déviations standards respectives pour (i) le choc de demande, (ii) le choc d’offre, (iii) ainsi que le

choc de la politique monétaire. La décomposition de la variance révèle qu’un choc de demande affecte

plus le taux d’inflation que le taux d’intérêt, celui de l’offre affecte modérément la demande et faiblement

le taux d’intérêt et in fine, celui du taux d’intérêt n’exerce qu’un effet faible sur l’offre et la demande.

IV– Modèle SVAR et Entonnoir de Keynes

IV.1–Présentation du cadre d’analyse

S’inscrivant dans la suite logique du modèle précédent, considérons à présent un modèle simple, avec

fondements microéconomiques, de la détermination du niveau général des prix pour évaluer la

politique monétaire. La forme fonctionnelle de l’utilité est telle que :

où est le taux d’escompte subjectif (supposé constant) ; exp(.), facteur d’actualisation subjectif et u(.),

fonction d’utilité instantanée dépendant de la consommation et de la détention d’encaisses réelles m, qui rend des services de liquidité au ménage avec m=Md/P (P est le niveau général des prix).


La fonction – objectif est maximisée sous la contrainte :

et avec comme condition de solvabilité :

où t est l’indice du temps ; désigne le revenu ; les impôts ; le taux d’intérêt réel ; le taux d’intérêt nominal et la valeur réelle du patrimoine financier du ménage, avec at = mt + bt (bt=Bd/P représente la

détention réelle de la dette publique).

La résolution de ce programme suit la marche standard d’obtention d’une solution à un problème

d’optimisation dynamique. En considérant une fonction d’utilité log – linéaire :

on obtient :

Supposons g, les dépenses publiques ; Ms, la masse monétaire et les équilibres suivant sur les

marchés :

Marché de la monnaie :

Ms = Md (égalité Offre et Demande de monnaie)

Marché des biens et services :

Cette structure de marchés implique donc que :

En vertu de la relation de Fisher, on a :

Connaissant les arguments de la détention d’encaisses réelles et le ratio Consommation de services

de liquidité de la monnaie/Consommation, on obtient sur le marché de la monnaie :


La log-différentielle de la relation (40) par rapport au temps donne la relation suivante :

et en posant :

on a :

Mobilisons à présent la variante VAR structurel du modèle DSGE dérivé précédemment pour apprécier

l’efficacité de la politique monétaire en RD. Congo. Afin de mettre en évidence les canaux de

transmission empruntée par un choc de politique monétaire sur la sphère réelle, le modèle estimé

comprendra les arguments (variables de contrôle) suivants en plus du taux d’intérêt directeur de la

Banque centrale du Congo : la masse monétaire, le crédit à l’économie, le taux de change, le prix à la

consommation et le PIB réel et les dépenses gouvernementales. L’analyse des effets de la politique

économique se fera ainsi, à travers de simulations de chocs aléatoires (fonctions de réponse au choc)

et de la décomposition de la variance de l’erreur1.

IV.1.1– Le modèle VAR structurel

Considérons le modèle SVAR suivant sans restriction :

où les dimensions de matrices Bj (j=0, …, p) sont d’ordre (m, m) ; les vecteurs Wt et εt de dimension (m, 1) et désignent respectivement les variables endogènes (stationnaires), un vecteur de constante et le

vecteur des chocs structurels (bruits blancs homoscédastiques et non corrélés).

La relation (3.43a) peut s’écrire :

où est un polynôme de convolution de degré p – 1 tel que :

La forme réduite de la relation (43a) peut dès lors s’écrire (après avoir multiplié de part et d’autre la

relation (43b) par :

où

L’estimation portera sur le système (44). Chacune des équations sera estimée par la méthode des

moindres carrés ordinaires indépendamment les unes des autres. Les critères de Schwartz et Akaike

seront utilisés pour déterminer le nombre de retards p du modèle. Le retard qui minimise ces critères

sera alors choisi.

1 Les fonctions de réponse au choc nous permettront d’analyser l’allure de la réponse d’une variable suite à un choc et

l’analyse de la décomposition de la variance de l’erreur de prévision d’une variable nous permettra de déterminer la sensibilité de cette variable aux différents chocs, c’est-à-dire la contribution de chaque choc à l’erreur de prévision.


IV.1.2– Le modèle SVAR sous forme de moyenne mobile

En écrivant le modèle SVAR sous forme de moyenne mobile infinie, on parvient à obtenir les fonctions

impulsions – réponses et la décomposition de la variance de l’erreur. Pratiquement, la représentation

moyenne mobile (VMA) s’obtient en inversant le modèle SVAR.

où

Le système (45) représente les fonctions de réponses à une impulsion aux chocs structurels et la

matrice apparait donc comme un multiplicateur d’impact. Il convient de préciser que nous utilisons

un VAR réduit pour estimer les paramètres, afin d’éviter l’étude des conditions d’identification qui sont

très lourdes à établir (Sims, 1980).

L’ordre retenu est le suivant : la masse monétaire (M2, en échelle logarithmique), le taux de change

(ROX, en échelle logarithmique), le prix à la consommation (IPC, en échelle logarithmique), l’indice

d’activité (PIB, en échelle logarithmique) et les dépenses gouvernementales (GOV, en échelle

logarithmique). En vue de contourner les problèmes liés au caractère non stationnaire des variables,

nous considérons les accroissements des variables non stationnaires, au seuil de 5 %, et suivant un

processus DS et en log-retour pour celles qui suivent un processus TS. Le test de Phillips – Perron a

servi à l’évaluation de l’hypothèse nulle de non stationnarité de variables (voir tableau A5 – 1, en

annexe).

IV.2– Tests, Estimations et Présentation de résultats

IV.2.1– Test de causalité : lien Instrument – Vecteur de transmission – Objectif final

Comme l’indique le test de causalité de Granger1 (voir tableau A5 – 4, en annexe) :

Le taux directeur cause : le taux de change au seuil et le prix à la consommation au seuil de 10 % ;

La masse monétaire cause : le taux de change au seuil et le prix à la consommation, cette

fois-ci, au seuil de 1 % ; Le prix à la consommation cause le crédit à l’économie au seul de 5 % ;

Le taux de change cause : le prix à la consommation au seuil de 5 % ; les dépenses

gouvernementales et les encours BTR au seuil de 10 % ;

Le PIB cause les encours BTR au seuil de 10 % ;

Et enfin, il existe une causalité bi – directionnelle entre les encours BTR et les dépenses

gouvernementales, au seuil de 1%.

Ainsi, l’existence du lien de causalité entre les séries stationnaires autorise l’estimation d’un modèle

VAR(1).

1 Soit trois variables X, Y et Z : Au sens de Granger, lorsqu’il est établi que X cause Y, cela signifie qu’il est mieux d’expliquer Y par X, plutôt que par une autre variable Z.


De fait, ces relations permettent de dériver le diagramme d’interaction entre instrument, objectif

intermédiaire et objectif final (figure 3.1 ; ci-après).

Figure 1 : Diagramme d’interaction Instrument – Intermédiaire – Cible

A l’issue du test de causalité, les taux d’inflation (mesure de la valeur interne de la monnaie) et de

change (mesure de la valeur externe de la monnaie) apparaissent comme de vecteurs de

transmission des actions de politique monétaire sur le secteur de finances publiques. Les décisions

sur le taux d’intérêt affectent directement les prix internes et externes.

Concernant l’objectif de stabilité des prix, il y a présence de causalité entre la masse monétaire et les

prix ; et entre taux de change et prix. Cela confirme, d’une part, comme le stipulent les théories

monétaires, l’origine monétaire de l’inflation et d’autre part, l’inflation importée en RD Congo pendant

la période 2007 – 2011. En vue d’une coordination réussie du Policy mix, il conviendrait d’identifier,

en vertu de la règle d’efficience de Mundell, l’efficacité relative de chaque type de politique

macroéconomique. Par ailleurs, les résultats confirment l’hypothèse émise précédemment sur les

caractéristiques de la politique monétaire.

Concernant l’objectif de croissance, les résultats montrent que le taux d’intérêt directeur ne cause pas

l’activité réelle. Ainsi, il n’existe pas de canal de transmission répondant au schéma classique

Instrument – Objectif intermédiaire – Cible. Le test de causalité révèle une désarticulation de

l’économie nationale pendant la période de janvier 2007 et juin 2011. Par exemple, il y a absence de

causalité entre crédit à l’économie et activité réelle. Et cette transmission se fait à travers un

mécanisme de marché. Ainsi, les efforts d’assainir ce dernier dans le sens de réduire son caractère

prépondérant dans l’informel et de lutter contre les mauvaises pratiques (corruption, détournement,

inefficience dans l’affectation des ressources rares et quasi – non renouvelables), d’avoir se

poursuivre avec intensité et rigueur.

OB

JE

CT

IF I

NT

ER

ME

DIA

IR

E D

E

PO

LIT

IQ

UE

MO

NE

TA

IR

E

MA

SS

E M

ON

ET

AIR

E

SECTEUR FINANCES

PUBLIQUES

DEPENSES

GOUVERNEMENTALES

INSTRUMENT DE POLITIQUE

MONETAIRE

TAUX DIRECTEUR

ENCOURS BTR

SECTEUR REEL

PRODUIT GLOBAL

SECTEUR MONETAIRE

CREDIT A L’ECONOMIE

CIBLE OU OBJECTIF FINAL

PRIX A LA

CONSOMMATION

TAUX DE CHANGE


S’agissant du Policy mix, c’est-à-dire la coordination politiques budgétaire – monétaire, il apparait

clairement que la première (politique budgétaire) constitue une réponse efficace aux chocs réels,

alors que la seconde en est pour les chocs d’origine monétaire. Cependant, en cas de chocs d’origine

externe (empruntant notamment le canal du taux de change), la combinaison de deux politiques

serait plus efficace.

IV.2.2– Estimation du modèle VAR(1) et Analyse des chocs de politique monétaire

Trois variables ont été retenues afin d’analyser les réponses de l’économie face à un choc de politique

monétaire : le taux d’intérêt directeur, les ventes BTR et la masse monétaire. Ceux-ci représentent

les variables – clés de la transmission monétaire en RD Congo.

Le choc de politique monétaire, sous la forme d’augmentation du taux d’intérêt directeur et/ou de

ventes de BTR est considéré comme une politique restrictive. Alors celui se traduisant sous forme

d’augmentation de la masse monétaire est considéré comme une politique expansionniste.

(a) Effet d’un choc sur le taux d’intérêt directeur

Un choc de politique monétaire via le taux d’intérêt directeur de la Banque centrale du Congo affecte

le prix à la consommation, le taux de change, le crédit à l’économie et la politique budgétaire. Ainsi,

un choc de politique monétaire restrictive, sous forme de hausse du taux d’intérêt :

n’a des effets sur le prix qu’après deux mois et cela semble s’estomper au sixième mois ;

Figure 2 : Réponse de l’indice de prix à la consommation

entraîne une réduction de crédit à l’économie pendant les 4 premiers mois ;

Figure 3 : Réponse du crédit à l’économie

entraîne une appréciation de la monnaie pendant les 5 premiers mois ;

-.004

.000

.004

.008

.012

.016

1 2 3 4 5 6 7 8 9 10

Response of DIPC to DDIR

-.03

-.02

-.01

.00

.01

.02

.03

1 2 3 4 5 6 7 8 9 10

Response of LCRED to DDIR

-.004

.000

.004

.008

.012

.016

.020

1 2 3 4 5 6 7 8 9 10

Response of DROX to DDIR

-.15

-.10

-.05

.00

.05

1 2 3 4 5 6 7 8 9 10

Response of GOV to DDIR

Response to Cholesky One S.D. Innovations ± 2 S.E.

-.004

.000

.004

.008

.012

.016

1 2 3 4 5 6 7 8 9 10


-.03

-.02

-.01

.00

.01

.02

.03

1 2 3 4 5 6 7 8 9 10


-.004

.000

.004

.008

.012

.016

.020

1 2 3 4 5 6 7 8 9 10


-.15

-.10

-.05

.00

.05

1 2 3 4 5 6 7 8 9 10




Figure 4 : Réponse de la masse monétaire

pousse l’autorité publique à mettre en œuvre, pendant les deux premiers mois, une politique

budgétaire expansionniste afin d’éviter la contraction de l’économie.

(b) Choc sur les ventes BTR

Un choc de politique monétaire via le BTR implique un réajustement de la politique budgétaire.

Figure 5 : Réponse des dépenses gouvernementales

Un choc de politique, sous forme d’augmentation de ventes de BTR, se traduit pendant les 3 premiers

mois par une augmentation de dépenses publiques et celle-ci décélère juste après.

(c) Choc sur la masse monétaire

Un choc sur le BTR affecte également le prix à la consommation, le taux de change, le crédit à

l’économie et la politique budgétaire. Un choc de politique monétaire, se traduisant par un

accroissement de la masse monétaire affecte les prix dès les premier et deuxième mois (accélération

de l’inflation) jusqu’au sixième mois (désinflation) avant de s’amortir. L’augmentation de la masse

monétaire, au regard de l’évolution du crédit à l’économie profite plus à l’Etat qu’au secteur privé.

Avec ce choc, il s’ensuit également une forte dépréciation de la monnaie, avant de s’amortir au

cinquième mois. In fine, ce choc nécessite une politique budgétaire contra – cyclique pendant les 3

premiers mois.

Ces scénarii mettent en évidence la nécessité d’une coordination efficiente, au sens de Mundell, de la

politique monétaire et de la politique budgétaire aux fins de l’atteinte des objectifs ciblés ou

souhaités.

-.004

.000

.004

.008

.012

.016

1 2 3 4 5 6 7 8 9 10


-.03

-.02

-.01

.00

.01

.02

.03

1 2 3 4 5 6 7 8 9 10


-.004

.000

.004

.008

.012

.016

.020

1 2 3 4 5 6 7 8 9 10


-.15

-.10

-.05

.00

.05

1 2 3 4 5 6 7 8 9 10



-.04

.00

.04

.08

.12

.16

1 2 3 4 5 6 7 8 9 10

Response of GOV to Cholesky

One S.D. BTR Innovation


IV.2.3– Analyse de la décomposition de la variance d’erreur

Les résultats repris en annexes (tableau A5 – 8) indiquent que la variance de l’erreur de prévision de

la variable taux d’intérêt directeur est due à 88,69 % à ses propres innovations, alors que celles des

variables BTR et masse monétaire sont dues respectivement à 52,92 et 87,56 % à leurs propres

innovations. Par conséquent, l’économie est plus sensible à un choc affectant le taux d’intérêt

directeur, puis la masse monétaire. Et moins à celui affectant le BTR.

IV.3– Evaluation de la politique monétaire en RD. Congo à l’aide du modèle DSGE

Il ressort quatre éléments – clés à l’issue de ces investigations :

1. le manque de jointure entre les différents secteurs rend peu efficace la politique monétaire en

cas de chocs d’origine externe. Seule la coordination de politique macroéconomique (policy

mix) permet la diversification de réponses à de chocs symétriques et/ou asymétriques.

2. La politique monétaire, à travers la masse monétaire et le taux d’intérêt directeur de la BCC,

impacte directement et faiblement le prix à la consommation et le taux de change. Cependant,

le manque de jointure entre les différents secteurs rend quasi – neutre les actions de politique

monétaire sur le niveau de consommation de l’individu, tel qu’illustré précédemment par sa

fonction d’utilité intertemporelle. La causalité entre les deux variables passe par un mécanisme

de marché, c’est-à-dire par un lien stable entre crédit à l’économie/Revenu national. Et ce lien

stable ne peut être assuré que par la permanence de l’effort d’assainissement du marché dans

le sens de réduire son caractère prépondérant dans l’informel et de lutter contre les mauvaises

pratiques (corruption, détournement, inefficience dans l’affectation des ressources rares et

quasi – non renouvelables) et les modes d’allocation inefficiente de ressource (coût de

transaction, facilité de faire les affaires, …).

3. La politique monétaire est efficace quand le choc est d’origine monétaire, par contre la

politique budgétaire en est en cas de chocs réels. Et en cas de chocs d’origine externe, la

combinaison des deux politiques permettrait de préserver la compétitivité de l’économie. Ainsi,

une coordination efficiente de politiques macroéconomiques doit à chaque fois identifier

l’origine des chocs avant la mise en œuvre d’une quelconque action.

4. L’économie est plus sensible au choc de politique monétaire sous forme de modification du

taux d’intérêt ou de l’offre de monnaie, plut t que celui sous forme de ventes de BTR. Ainsi,

une gestion rigoureuse de ces deux premières variables conditionne l’efficacité de la politique

monétaire. Autrement, ces deux variables ont des effets plus permanents sur l’économie, en

comparaison à l’instrument BTR.

Au regard de l’analyse de la décomposition de la variance des erreurs et des simulations faites avec

les fonctions d’impulsion des chocs aléatoires, il est possible d’éviter les dérapages dans la gestion de

la politique monétaire sous trois hypothèses moins fortes formulée comme suit :

(i) l’autorité monétaire doit assurer le contr le optimal des instruments pour lesquels l’économie est

très sensible en cas de chocs1 ;

1 D’après la décomposition de la variance de l’erreur, il s’agit tout d’abord du taux d’intérêt directeur de la BCC, puis de

la masse monétaire.


(ii) le contr le optimal des instruments dont question dans l’hypothèse moins forte (1), doit être

garanti par une coordination efficiente et cohérente du Policy mix à la Mundell – Tinbergen1 ;

(iii) l’autorité doit veiller à utiliser prioritairement l’instrument qui ramène le plus rapidement possible

l’économie à son niveau d’équilibre, en référence à la règle d’Alphandery, et en complément au

principe de l’efficacité relative établie par Mundell.

Ainsi, en joignant ces trois critères à l’entonnoir keynésien, il y a lieu d’atténuer la persistance des

effets pervers résultant de différents chocs.

Figure 6 : Entonnoir keynésien

In fine, il convient de noter que le relâchement ou la violation d’au moins une de ces hypothèses

moins fortes alimente ou amplifie le risque de dérapages de la politique macroéconomique, c’est – à –

dire tout facteur, fait ou phénomène allant dans le sens d’affecter négativement ces trois hypothèses

constitue un vrai risque pour l’efficacité de la politique macroéconomique.

V– Condensé de résultats, Enseignements et Perspectives Le présent papier s’était proposé de construire et d’appliquer pour la première fois un modèle d’équilibre

général dynamique stochastique (DSGE) dans l’analyse de politique macroéconomique en RD. Congo. A

l’issue de nos investigations, il convient de rappeler les résultats essentiels suivants :

(i) dans un environnement macroéconomique relativement stable, la production actuelle dépend,

presque dans les mêmes poids, de son niveau passé et de son niveau futur anticipé ; mais en

période de récession, elle serait de plus en plus influencée par son niveau retardé. Par ailleurs,

l’anticipation d’une expansion (récession) incite les ménages à maintenir ou à hausser (diminuer)

leur consommation courante, et en conséquence, affecte le niveau de production ;

(ii) l’écart de production est moins sensible aux variations du taux d’intérêt, ce qui réduit l’impact des

effets réels des chocs de la politique monétaire sur la demande globale ;

(iii) l’inflation courante est plus sensible à l’inflation future anticipée qu’à son niveau passé ;

(iv) l’élasticité de l’inflation par rapport à l’écart de production est positive et faible, ce résultat

implique une baisse inhérente de l’inflation en cas d’un choc de politique monétaire ; et puisque sa

1 La Règle de Mundell (principe d’efficience) est une règle de politique économie, énoncée par l’économiste canadien Robert Mundell (Prix Nobel d’économie,). Elle propose d'affecter à chaque objectif de politique macroéconomique un instrument disposant d'avantage comparatif par rapport aux autres pour raison d'efficacité. Elle forme, avec la règle de Tinbergen (principe de cohérence), proposé en 1952, les deux principes directeurs ou la base normative de la politique économique et la justification de la Policy – mix.

Politique budgétaire

Politique monétaire


valeur est faible, l’inflation demeure moins sensible aux fluctuations de la production en RD.

Congo, avec comme conséquence une stabilité relative des prix étant donné le non – ajustement

fréquent des prix par les firmes. Au regard de ces prédictions, cela offre un arbitrage favorable à

la Banque centrale, car une forte déviation de la production, au regard de ces estimations, n’a

qu’un impact très faible sur le niveau de l’inflation. ;

(v) les coefficients estimés attestent que la Banque Centrale du Congo a suivi une politique monétaire

agressive et stabilisatrice étant donné que le taux d’intérêt nominal réagit plus que

proportionnellement aux déviations de l’inflation par rapport à sa cible et fortement aux

fluctuations de la production par rapport à son niveau potentiel ;

(vi) enfin, la décomposition de la variance révèle qu’un choc de demande affecte plus le taux

d’inflation que le taux d’intérêt, celui de l’offre affecte modérément la demande et faiblement le

taux d’intérêt et in fine, celui du taux d’intérêt n’exerce qu’un effet faible sur l’offre et la demande.

A l’effet de proposer de recommandations de politiques économiques, nous avons réalisé une analyse

complémentaire autour de l’entonnoir keynésien. Il ressort de cette analyse ce qui suit :

(i) le manque de jointure entre les différents secteurs rend peu efficace la politique monétaire en

cas de chocs d’origine externe. Seule la coordination de politique macroéconomique (policy

mix) permet la diversification de réponses à de chocs symétriques et/ou asymétriques ;

(ii) la politique monétaire, à travers la masse monétaire et le taux d’intérêt directeur de la BCC,

impacte directement et faiblement le prix à la consommation et le taux de change. Cependant,

le manque de jointure entre les différents secteurs rend quasi – neutres les actions de politique

monétaire sur le niveau de consommation de l’individu, tel qu’illustré précédemment par la

fonction d’utilité intertemporelle du ménage représentatif ;

(iii) la politique monétaire est efficace quand le choc est d’origine monétaire, par contre la politique

budgétaire l’est en cas de chocs réels. Et en cas de chocs d’origine externe, la combinaison des

deux politiques permettrait de préserver la compétitivité de l’économie. Ainsi, une coordination

efficiente de politiques macroéconomiques doit, à chaque fois, identifier l’origine des chocs

avant la mise en œuvre d’une quelconque action ;

(iv) l’économie est plus sensible au choc de politique monétaire sous forme de modification du taux

d’intérêt ou de l’offre de monnaie, plut t que celui sous forme de ventes de BTR. Ainsi, une

gestion rigoureuse de ces deux premières variables conditionne l’efficacité de la politique

monétaire. Autrement, ces deux variables ont des effets plus permanents sur l’économie, en

comparaison à l’instrument BTR.

Au regard de l’analyse de la décomposition de la variance des erreurs et des simulations faites avec

les fonctions d’impulsion des chocs aléatoires, il est possible d’éviter les dérapages dans la gestion de

la politique monétaire sous trois hypothèses moins fortes formulées comme suit :

(i) l’autorité monétaire doit assurer le contr le optimal des instruments pour lesquels l’économie

est très sensible en cas de chocs ;

(ii) le contr le optimal des instruments dont il est question dans l’hypothèse moins forte (1), doit

être garanti par une coordination efficiente et cohérente du Policy mix à la Mundell –

Tinbergen ;

(iii) l’autorité doit veiller à utiliser prioritairement l’instrument qui ramène le plus rapidement

possible l’économie à son niveau d’équilibre, en référence à la r gle d’Alphandery, et en

complément au principe de l’efficacité relative établie par Mundell.


Ce papier, étant un premier essai de construction et d’application d’un modèle DSGE pour l’économie

congolaise, n’a pas prétendu de traiter toutes les questions rattachées à cette approche moderne de

la modélisation macroéconomique. Dès lors, il est possible d’envisager un prolongement de cette

étude en direction de l’appréhension de tous les concepts éclipsés afin de formaliser un modèle plus

élargi pouvant améliorer, compléter et affiner les résultats précédemment établis.


I

Bibliographie

Ouvrages

1) ABRAHAM – FROIS Gilbert et Françoise LARBRE, 1998, La macroéconomie Après Lucas : Textes Choisis,

éd. Economica, Paris.

2) AGENOR Pierre – Richard and Peter J. MONTIEL, 1999, Development Macroéconomics, Princeton

University press, Princeton, New Jersey.

3) AGENOR Pierre – Richard, 2000, The Economics of Adjustment and Growth, Academic Press, London.

4) AGHION Philippe et Peter HOWITT, 2010, L’Economie de la Croissance, éd. Economica, Paris.

5) ALBERT Jim, 2009, Bayesian Computation with R, éd. Springer, Paris.

6) Banque Mondiale, 2002, Qualité de la Croissance, De Boeck Université, Bruxelles.

7) BARRO Robert J., 2004, Rien n’est Sacré ! Des Idées en Economie pour le Nouveau Millénaire, éd.

Economica, Paris.

8) BERGER James O., 1985, Statistical Decision Theory and Bayesian Analysis, 2nd ed., Springer-Verlag

France.

9) BIFIMUANA Dieudonné, 2006, Les réformes fiscales actuelles en République Démocratique du Congo : la

Remise en Question, Presses de l’Université Libre de Luozi.

10) BLANCHARD Olivier J. and Stanley FISCHER, 1993, Lectures on Macroeconomics, The MIT Press,

Cambridge, Massachusetts, Sixth printing.

11) BOFOYA Beaujolais, 2010, Modèles Macroéconomiques, Inédit, Galimage Impression, Kinshasa.

12) BOREUX Jean – Jacques, Eric PARENT et Jacques BERNIER, 2010, Pratique du Calcul Bayésien, éd.

Springer, Paris.

13) BRANSON William H. and James M. LITVACK, 1976, Macroéconomics, Harper International Edition, New

York.

14) BRANSON William H., 1972, Macroéconomic Theory and Policy, Harper International Edition, New York.

15) BURDA Michael et Charles WYPLOSZ, 1996, Macroéconomie : une perspective européenne, 1ière édition, De

Boeck Université, Bruxelles.

16) CANOVA Fabio, 2005, Methods for Applied Macroeconomic Research, ICREA, Universitat Pompeu Fabra,

CREI and CEPR, Version 5.0.

17) DAMERON Pascale, 2011, Mathématiques des Modèles Economiques : Analyse Dynamique, éd. Economica,

Paris.

18) FISCHER Stanley, ed., 1980, Rational expectations and econometric theory, NBER Conference report,

University of Chicago Press.

19) FRIEDMAN Milton and Anna J. SCHWARTZ, 1963, A Monetary History of the United States, 1867 – 1960,

Princeton: Princeton University Press.

20) FRIEDMAN Milton, 1957, A Theory of Consumption Function, Princeton University Press, Princeton.

21) GILLMAN Max, 2011, Advanced Modern Macroeconomics: Analysis And Application, ed. Pearson, Paris.

22) GUJARATI Damodar N., 2004, Econométrie, Traduction de la 4ième édition américaine par Bernard

Bernier, De Boeck, Bruxelles.

23) HEIJDRA Ben J., 2003, Foundations of Modern Macroeconomics, 2nd Edition, Oxford University Press.

24) HIRSCHMAN Albert O., 1958, The Strategy of Economic Development, New Haven (Connecticut) : Yale

University.

25) JEFFREYS Harold, 1939, Theory of Probability, Oxford University Press, Oxford.

26) JHA Raghbendra, 2003, Macroeconomics For Developing Countries, 2nd edition, Routledge, New York.

27) KEYNES John M., 1990, Théorie de l’Emploi, de l’Intér t et de la Monnaie, Bibliothèque scientifique Payot

(1ière éd. 1936 ; posthume), Paris.

28) KING JR. John, 1969, Les Projets de Développement Economique et leur Evaluation, éd. Dunod, Paris.

29) KLEIN Lawrence, 1950, Economic Fluctuations in the United States, 1921-1941, New York, Wiley.

30) LUCAS Robert E. and Thomas J. SARGENT, 1981, Rational expectations and econometric practice,

Londres, George Allen and Unwin.

31) MANKIW Gregory N., 2010, Macroéconomie, 4ième édition, De Boeck Université, Bruxelles.

32) MARSHALL Alfred, 1920, Principles of Economics, 8ième éd., MacMillan, Londres.

33) MISHKIN Frederic, 2010, Monnaie, Banque et Marchés Financiers, 9è édition, Peason Education France,

Paris.

34) MUKOKO Daniel, 1994, Projet d’une Nouvelle Société Zaïroise, Diffusion MK, (Japon) Nagoya.

35) MUNDELL Robert (1968), International Economics, Macmillan.

36) MUSGRAVE Richard, 1959, The Theory of Public Finance, Mc Graw-Hill, New York.

37) PARENT Eric et Jacques BERNIER, 2007, Le Raisonnement Bayésien ? Modélisation et Inférence, Springer

Verlag France.

38) PERKINS Dwight H., Steven RADELET et David L. LINDAUER, 2008, Economie du Développement, 3ème

édition, De Boeck, Bruxelles.

39) ROBERT Christian P. et George CASELLA, 2011, Méthodes de Monte – Carlo avec R, éd. Springer, Paris.

II Jean – Paul Kimbambu, Tsasa Vangu

40) ROBERT Christian P., 2007, Le Choix Bayésien, Principes et Pratique. Statistique et Probabilités

Appliquées, éd. Springer, Paris

41) SAMUELSON Paul A., 1971, Foundations of Economics Analysis, Harvard University Press.

42) SCHUMPETER Josef A., 1939, Business Cycles: A Theorical, Historical and Statistical Analysis of the

Capitalist Process, McGraw-Hill, New York.

43) SORENSEN Peter B. and Hans J. WHITTA – JACOBSEN, 2005, Introducing Advanced Macroeconomics:

Growth & Business Cycles, McGraw-Hill, New York.

44) STIGLITZ Joseph et Carl WALSH, 2004, Principes d’Economie Moderne, éd. De Boeck Université, Bruxelles.

45) TINBERGEN Jan, 1952, On the Theory of Economic Policy, North Holland.

46) TRISTRAM Frédéric, 2005, Une Fiscalité pour la Croissance : la Direction Générale des Impôts et la

Politique Fiscale en France de 1948 à la Fin des Années 1960, Comité pour l’histoire économique et

financière de la France.

47) WALLISER Bernard, 2011, Comment Raisonnent les Economistes : Les Fonction des Modèles, éd. Odile

Jacob, Paris.

48) WALSH Carl, 2010, Monetary Theory and Policy, 3rd edition, The MIT Press, Cambridge Massachusetts.

49) WICKENS Michael, 2008, Macroeconomic Theory : A Dynamic General Equilibrium Approach, Princeton

University Press, Princeton.

50) WICKENS Michael, 2010, Analyse Macroéconomique Approfondie : Une Approche par l’Equilibre Général

Dynamique, 1ière édition, De Boeck, Bruxelles.

51) WOODFORD Michael, 2003, Interest and Prices. Foundations of a Theory of Monetary Policy, Princeton, JN:

Princeton University Press.

52) YANG Bo, 2011, Dynamic Stochastic General Equilibrium Modelling : Application to Developed and

Developing Economies, Lambert Academic Publishing, Guildford, University of Surrey.

53) ZELLNER Arnold, 1971, An Introduction to Bayesian Inference in Econometrics, JohnWiley & Sons, New

York.

Articles

1) ADJEMIAN Stéphane et Antoine DEVULDER, 2011, « Evaluation de la politique monétaire dans un modèle

DSGE pour la zone euro », Dynare Working Papers Series, Working Paper no. 7 (juillet 2011), CEPREMAP,

http://www.dynare.org.

2) ADJEMIAN Stéphane et Florian PELGRIN, 2008, « Un Regard Bayésien sur les Modèles Dynamiques de la

Macroéconomie », Economie & Prévision, vol. 2/3, num. 183/184, JEL C3, C5, E3, 127 – 152.

3) ADJEMIAN Stéphane, Christophe CAHN, Antoine DEVULDER et Nicolas MAGGIAR, 2008, « Variante en

Univers Incertain », Economie & Prévision, vol. 2/3, num. 183/184, JEL E4, E5, 223 – 238.

4) ADJEMIAN Stéphane, Houtan BASTANI, Michel JUILLARD, Ferhat MIHOUBI, George PERENDIA, Marco

RATTO and Sébastien VILLEMOT, 2011, “Dynare: Reference Manual, Version 4”, Dynare Working Papers,

1, CEPREMAP, http://www.dynare.org.

5) AHUMADA Hildegart and María Lorena GAREGNANI, 1999, “Hodrick – Prescott Filter in Practice”, UNLP;

April – 1999.

6) ALLESINA Alberto ans Dani RODRIK, 1994, “Distributive Politics and Economic Growth”, Quarterly Journal

of Economics, 108, 465 – 490.

7) AN Sungabae and Frank SCHORFHEIDE, 2007, «Bayesian Analysis of DSGE Models», Econometric

Reviews, forthcoming”, Econometric Reviews, vol. 26, num. 2/4,113 – 172.

8) AUTUME (d’) Antoine, 1986, « Les anticipations rationnelles dans l'analyse macro-économique », in:

Revue économique, vol. 37, n°2, pp. 243 – 284.

9) AVOUYI – DOVI Sanvi, Julien MATHERON, et Patrick FEVE, 2007, « Les modèles DSGE. Leur intérêt pour

les banques centrales », Bulletin de la Banque de France, num. 161, 41 – 54.

10) BAGHLI Mustapha, Carine BOUTHEVILLAIN, Olivier DE BANDT, Henri FRAISSE, Hervé LE BIHAN et Philippe

ROUSSEAUX, 2002, « PIB potentiel et écart de PIB : quelques évaluations pour la France », Banque de

France, NER 89.

11) BAGWATI Jagdish, 1973, “Education, Class Structure and Income Equality”, World Development, vol. 1,

num. 5, 21 – 36.

12) BANERJEE Abhijit, 1999, “Land Reforms: Prospects and Strategies”, Communication présentée lors de

l’Annual Bank Conference on Development Economics, 28 – 30 avril, Banque mondiale, Wanshington, D.C.

13) Banque Centrale Européenne, Bulletin mensuelle, Octobre 2000.

14) BARRO Robert J. and David B. GORDON, 1983a, « Rules, Discretion and Reputation in a Model of

Monetary Policy », Journal of Monetary Economics, 12, 101 – 121.

15) BARRO Robert J. and David B. GORDON, 1983b, « A Positive Theory of Monetary Policy in a Natural R ate

Model », Journal of Political Economy, vol. 9, num. 4, 589 – 610.

16) BARRO Robert J. and Stanley FISCHER, 1976, “Recent Developments in Monetary Theory”, Journal of

Monetary Economics, vol. 2, num. 2 (April), 133 – 168.

http://www.dynare.org/

http://www.dynare.org/

III Jean – Paul Kimbambu, Tsasa Vangu

17) BARRO Robert J., 1974, “Are Gouvernement Bonds Net Wealth?”, Journal of Political Economy, vol. 86,

num. 6, (November – December), 1095 – 1117.

18) BARRO Robert J., 1976, “Rational expectations and the Role of Monetary Polict”, Journal of Monetary, 2, 1

– 32.

19) BEAUBRUN – DIANT Kevin E. Et Julien MATHERON, 2008, « Rentabilités d’Actifs et Fluctuations

Economiques : Une Perspective d’Equilibre Général Dynamique et Stochastique », Economie & Prévision,

2/3, No. 183/184, JEL E10, E20, G12, 35 – 63.

20) BENES Jaromir, Kevin CLITON, Roberto GARCIA – SALTOS, Marianne JOHSON, Douglas LAXTON, Petar

MANCHEV and Troy MATHESON, 2010, “Estimating Potential Output with Multivariate Filter”, IMF Working

Paper, WP/ 10/ 285, December – 2010.

21) BISWANGER Hans P., Kalus DEININGER and Gershon FEDER, 1995, “Power, Distorsions, Revolt and

Reform inAgricultural Land Relations”, In Jere Behrman and T.N. Srinivasan, eds., Handbook of

Development Economics, vol. IIIb, Amsterdam: Elsevier Science.

22) BLANCHARD Olivier and Stanley FISCHER, 1988, “Lecture on Macroeconomics”, MIT Press, Cambridge

Massachusetts.

23) BLANCHARD Olivier J. and Charles M. Kahn, 1980, “The Solution of Linear Difference Models Under

Rational Expectations”, Econometrica, 48, 1305 – 1311.

24) BLINDER Alan, 1982, “Issues in the Coordination of Monetary and Fiscal Policy”, in Monetary Policy Issues

in the 80's, Fed de Kansas City, 3 – 46.

25) BOTMAN Dennis, Philippe KARAM et Douglas LAXTON, 2008, « Les Modèles DSGE au FMI : Applications et

Développements Récents », Economie & Prévision, 2/3, num 183/184, JEL C51, E52, E62, F32, F41, F42,

H30, H63, 175 – 198.

26) BOURNAY Jacques and Guy LAROQUE, 1979, « Réflexions sur la méthode d’élaboration des comptes

trimestriels », Annales de l’INSEE, 36 (octobre-décembre), 3 – 30.

27) CALVO Guillermo A., 1978, “On The Time Consistency of Optimal Policy in a Monetary Economy”,

Econometrica, 6, 1411-1428.

28) CALVO Guillermo A., 1983, “Staggered Prices in a Utility – Maximizing Framework”, Journal of Monetary

Economics, 12, 3, pp. 383 – 398.

29) CALVO Guillermo A., 1999, “Contagion in Emerging Markets: When Wall Street Is Carrier”, University of

Maryland, College Park (Maryland), polycopié.

30) CARLIN Wendy and SOSKICE David, 1997, “Macroeconomics and The Wage Bargain : A Modern Approach

to Employment, Inflation and the Exchange Rate”, Oxford University Press, Oxford.

31) CARRE Emmanuel, 2010, « Les Limites des Modèles DSGE Standards face à la Crise Financière »,

Université Paris XIII – CEPN, 1 – 30.

32) CASTELNUOVO Efrem, 2006, “Monetary Policy Switch, the Taylor Curve, and the Great Moderation”,

Journal of Economic Literature, January 2006.

33) CATEAU Gino et Stephen MURCHISON, 2010, “Monetary Policy Rules in an Uncertain Environment”, Bank

of Canada Review, Spring 2010, 27 – 39.

34) CHAGNY Odile and Jörg DÖPKE, 2001, “Measures of the Output Gap in the Euro-Zone: An Empirical

Assessment of Selected Methods”, Kiel Working Paper, 1053, Kiel Institute of World Economics.

35) CHAGNY Odile, and Matthieu LEMOINE, 2004, “The Impact of the Macroeconomic Hypothesis on the

Estimation of the Output Gap Using a Multivariate Hodrick – Prescott Filter: The Case of the Euro Area”, in

Monographs of Official Statistics, Papers and Proceedings of the Third Colloquium on Modern Tools for

Business Cycle Analysis, G. L. Mazzi et G. Savio (Eds.), Research in Official Statistics, 10-38, Eurostat,

Luxembourg.

36) CHAGNY Odile, Matthieu LEMOINE and Florian PELGRIN, 2003, “An Assessment of Multivariate Output Gap

Estimates in the Euro Area”, Working Papers and Studies, Eurostat, Luxembourg.

37) CHARI Varadajan V. and Patrick J. KEHOE, 1999, “Optimal Fiscal and Monetary Policy”, in Handbook of

Macroeconomics (ed. J.B. Taylor et M. Woodford), Vol. 1C, pp. 1671 – 1745, Amsterdam: Elsevier.

38) CHARI Varadajan V. and Patrick J. KEHOE, 2006, “Modern Macroeconomics in Practice : How Theory is

Shaping Policy”, Journal of Economic Perpsepctives, 20 : 3 – 28.

39) CHARI Varadajan V., Lawrence J. CHRISTIANO and Patrick J. KEHOE, 1994, “Optimal Fiscal Policy in a

Business Cycle Model”, Journal of Political Economy, 102 :617 – 652.

40) CHARI Varadajan V., Patrick J. KEHOE and Edward C. PRESCOTT, 1989, “Time Consistency and Policy”, in

Modern business Cycle Theory (ed. R. Barro), pp. 365 – 305, Cambridge, MA : Havard University Press.

41) CHERON Arnaud et François LANGOT, « Equilibre Général Stochastique et Dynamique Non – Walrasienne

du Marché du Travail », Economie & Prévision, No. 183 – 184, JEL E24, E32, J23, J38.

42) CHOPIN Nicolas and Florian PELGRIN, 2004, «Bayesian Inference and State Number Determination for

Hidden Markov Models : An Application to the Information Content of the Yield Curve about Inflation»,

Journal of Econometrics, vol. 123, num. 2, 327 – 344.

IV Jean – Paul Kimbambu, Tsasa Vangu

43) CHOW Gregory C and An – Loh LIN, 1971, “Best linear unbiased interpolation, distribution and

extrapolation of time series by related series”, The Review of Economics and Statistics, vol. 53, num. 4,

pp. 372 – 375.

44) CHRISTIANO Lawrence J., Martin EICHENBAUM and Charles L. EVANS, 2005, “Nominal Rigidities and the

Dynamic Effects of a Shock to Monetary Policy”, Journal of Political Economy, vol. 113, no. 1, 45p.

45) CLARIDA Richard, Jordi GALI et Mark GERTLER, 1999, “The Science Of Monetary Policy: A New Keynesian

Perspective”, Journal of Economic Literature, vol. 37, num. 4 : 1661 – 1707.

46) COHEN Daniel and Philippe MICHEL, 1987, « The Transition to a Low Inflation Rate and the Dynamic

Consistency of Monetary Policy in a Staggered Wage Contract Model », Document de travail, CEPREMAP.

47) COHEN Daniel and Philippe MICHEL, 1988, « How Should Control Theory be Used by a Tune – Consistent

Government », Review of Economic Studies, 55, 263 – 274.

48) COLLARD Fabrice et Patrick FEVE, 2008, « Modèles VAR ou DSGE : Que Choisir ? », Economie & Prévision,

2/3, num. 183/184, JEL C3, C5, E3, 153 – 174.

49) CÔTÉ Denise, Jean – Paul Lam, Y. Liu et Pierre St – Amant, 2002, « Le Rôle des Règles Simples dans la

Conduite de la Politique Monétaire au Canada », Revue de la Banque du Canada, été 2010.

50) COUPET Maylis et Jean – Paul RENNE, 2008, « Réformes Fiscales dans un Modèle DSGE France en

Economie Ouverte », Economie & Prévision, 2/3, num. 183/184, JEL C11, D58, E20, E63, H30, 199 – 222.

51) CRETTEZ Bertrand, 1994, « Cohérence Temporelle des Politiques Economiques dans un Modèle avec

Equation d'Anticipation », in Revue économique, vol. 45, num. 4, 989 – 1008.

52) CHRISTIANO Lawrence J., Martin EICHENBAUM et Charles L. EVANS, 2005, “Nominal Rigidities and the

Dynamic Effects of a Shock to Monetary Policy”, Journal of Political Economy, vol. 113, num. 1, 1 – 45.

53) DAGHER Jihad, Jan GOTTSCHALK and Rafael PORTILLO, 2010, “Oil Windfalls in Ghana: A DSGE

Approach”, Research Department and IMF Institute, IMF Working Paper, WP/10/116 (May 2010).

54) DASGUPTA Partha and Karl – Göran MALER, 1994, “poverty, Institutions and the Environmental resource

Base”, Environment Department, Washington, D.C.

55) DASGUPTA Partha, 1995, “Population, Poverty and the Local Environnement”, Scientific American

(February), 40 – 45.

56) DE VROEY Michael et Pierre MALGRANGE, 2005, « La Théorie et la Modélisation Macroéconomiques, d’Hier

à Aujourd’hui », Docweb n° 0518 Centre pour la Recherche Economique et ses Applications, (Décembre

2005).

57) DENIS Richard, 2005, “Specifying and Estimating Nex Keynesian Models with Instrument Rules and

Optimal and Monetary Policy”, Federal Reserve Bank of San Francisco, Working Paper Series, 2004 – 17.

58) DENNIS Richard, 2004, “Solving for optimal simple rules in rational expectations models”, Journal of

Economic Dynamics & Control, 28, 1635 – 1660.

59) DENNIS Richard, 2007, “Optimal policy in rational expectations models : New Solution Algorithms”,

Macroeconomic Dynamics, 11, 31 – 55.

60) DENTON Frank T., 1971, “Adjustment of monthly or quarterly series to annual totals: an approach based

on quadratic minimization”, Journal of the American Statistical Association, vol. 66, num. 333, 99 – 102.

61) DESTAIS Ghislaine, Céline LECUYER, Gian Luigi MAZZI et Giovanni SAVIO, 2005, « L’Estimation du Produit

Potentiel et de l’Ecart de Production de la Zone Euro basée sur un Modèle VAR Structurel », Université

Pierre-Mendès-France, Grenoble 2 Sciences sociales/ Eurostat, SESAME – XVèmes Journées/ Rennes, 26

et 27 septembre 2005.

62) DIXIT Avinash K. and Joseph E. STIGLITZ, 1977, “Monopolistic Competition and Optimum Product

Diversity”, The American Economic Review, Vol. 67, No. 3. (Jun., 1977), pp. 297-308.

63) EASTERLY William, Michael KREMER, Lant PRITCHETT and Larry SUMMERS, 1993, “Good Policy or Good

Luck? Country Growth Performance and Temporary Shocks”, Journal of Monetary Economics, 32, 459 –

483.

64) ERCEG Christopher J., Dale W. HENDERSON and Andrew T. LEVIN, 2000, “Optimal Monetary Policy with

Staggered Wage and Price Contracts”, Journal of Monetary Economics, 46, 281 – 313.

65) EUROSTAT, 1999, “Handbook of quarterly national accounts”, European Commission, Luxembourg.

66) FEIZI Mehdi, 2008, “A New Keynesian Small Open Economy DSGE Model in Islamic Economic Framework:

The Case of Iran”, Journal of Economic Literature, Classification Numbers: E12, E52, F31 (Novembre

2008).

67) FERNANDEZ – VILLAVERDE Jesús and Juan F. Rubio-Ramírez, 2005, «Estimating Dynamic Equilibrium

Economies : Linear versus NonLinear Likelihood», Journal of Applied Econometrics, vol. 20, num. 7, 891 –

910.

68) FERNÁNDEZ – VILLAVERDE Jesús, 2009, “The Econometrics of DSGE Models”, NBER Working Paper

Series, No.14667.

69) FERNANDEZ Roque B., 1981, “A methodological Note on the Estimation of Time Series”, The Review of

Economics and Statistics, vol. 63, num. 3, 471 – 476.

70) FEVE Patrick, 1997, « Les Méthodes d’étalonnage au regard de l’économétrie », Revue économique, vol.

48, num. 3, 629 – 638.

V Jean – Paul Kimbambu, Tsasa Vangu

71) FISCHER Stanley, 1977, “Long Terme Contracts, Rational Expectations and the Optimal Money Supply

Rule”, Journal of Political Economy, vol. 85, No. 1 (Feb., 1977), 191 – 205.

72) FISCHER Stanley, 1980, “Dynamic Inconsistency, Cooperation and the Benevolent Dissembling

Government”, Journal of Economic Dynamics and Control, 2 : 93 – 107.

73) FRIEDMAN Milton, 1966, “The Methodology Of Positive Economics”, in Essays in Positive Economics,

University of Chicago Press, 1966, 3 – 16.

74) FRIEDMAN Milton, 1968, “The Role of monetary Policy”, The American Economic Review, vol. LVII, n° 1,

March.

75) FUHRER Jeffrey C. et Glenn D. RUDEBUSCH, 2004, “Estimating the Euler Equation for Output”, Journal of

Monetary Economics, vol. 51, num. 6, 1133 – 1153.

76) FUHRER Jeffrey C., 2000, "Habit Formation in Consumption and Its Implications for Monetary – Policy

Models", American Economic Review, vol. 90, num. 3, 367 – 390.

77) GALI Jordi, Mark GETLER and David LOPEZ – SALIDO, 2003, “European Inflation Dynamics”, European

Economic Review, 45, 1237 – 1270.

78) GALI Jordi, Mark GETLER and David LOPEZ – SALIDO, 2005, « Robustness of Estimates of the Hybride

New Keynesian Phillips Curve », Journal of Monetary Economics, 52 (2005), 1107 – 1118.

79) GARCÍA – CICCO Javier, Roberto PANCRAZI, and Martín URIBE, 2010, “Real Business Cycles in Emerging

Countries?”, American Economic Review, vol. 100, num. 5 (December 2010), 2510 – 2531;

http://www.aeaweb.org/articles.php?doi=10.1257/aer.100.5.2510

80) GIORDANI Paolo and Paul SÖDERLIND, 2004, « Solution of macromodels with Hansen-Sargent robust

policies: some extensions », Journal of Economic Dynamics and Control, Elsevier, vol. 28, num. 12,

(December), 2367 – 2397.

81) GOURLAOUEN Jean-Pierre, 1983, « Une Analyse conométrique des Liens entre l'Inflation, le Chômage et

la Nature des Anticipations », in Revue économique, Volume 34, n°5, 1983, 971 – 986.

82) GRANGER Clive W. J., 1980, “Testing For Causality: A Personal Viewpoint”, Journal of Economic Dynamics

and Control, 2(4), 329 – 352.

83) GRELLET Gerard, non daté, « Microéconomie du Développement », Université Panthéon-Sorbonne, Paris 1,

IEDES, Résumé du séminaire.

84) GUAY Alain and Pierre ST-AMANT, 1997, “Do the Hodrick – Prescott and Baxter-King Filters Provide a

Good Approximation of Business Cycles?”, Université du Québec à Montréal – Banque du Canada,

Working Paper No. 53.

85) HAIRAULT Jean – Olivier et Thepthida SOPRASEUTH, 2008, « Fluctuations Internationales et Dynamique

du Taux de Change », Economie & Prévision, No. 183 – 184, JEL F41, F31.

86) HOANG – NGOC Liêm, 2005, « Rigidités salariales et chômage les frontières classiques du programme

néo-keynésien étaient-elles tracées ? », Cahiers d'économie Politique, Papers in Political Economy, 2005,

vol. 1, num. 48, p. 161 – 185.

87) HODRICK Robert and Edward C. PRESCOTT, 1997, “Postwar U.S. Business Cycles: An Empirical

Investigation”, Journal of Money, Credit, and Banking.

88) HÜLSEWIG Oliver, Eric MAYER and Timo WOLLMERSHÄUSER, 2006, “Bank Behavior and the Cost Channel

of Monetary Transmission,” CESifo Working Paper, Series num. 1813, Category 6: Monetary Policy and

International Finance

89) IRELAND Peter N., 2004, “A Method for Taking Models to the Data”, Journal of Economic Dynamics &

Control, vol. 28.

90) JUILLARD Michel et Tarik OCAKTAN, 2008, « Méthodes de Simulation des Modèles Stochastiques

d’Equilibre Général », Economie & Prévision, No. 183 – 184, JEL C63.

91) KABUYA François et TSASA Jean – Paul, 2012, « Dynamique du Produit intérieur en RD. CONGO et faits

stylisés : une thérapie de choc suffit – elle pour démystifier le pseudo paradoxe congolais ? », Discussion

Paper Laréq, DPN 003, 35 – 44.

92) KABUYA Kalala et TSHUNZA Mbiye, 2006, « La Politique Economique Revisitée en RDC : Pesanteurs d’Hier

et Perspectives », l’Afrique des grands lacs, Annuaire 2005 – 2006, Kinshasa.

93) KALONJI Ntalaja, 2007, « Croissance et Pauvreté en RDC », Miméo, Université de Kinshasa, Kinshasa.

94) KAUFMANN Daniel and Yan WANG, 1995, “Macroeconomic Policies and Project Performance in the Social

Sectors: A model of Human Capital Production and Evidence from LDCs”, World Development, 23 (5), 751

– 765.

95) KEHOE Timothy J. and Edward C. PRESCOTT, 1994, “Introduction to the symposium: the discipline of

applied general equilibrium”, Economic Theory, 6, 1 – 11.

96) KEYNES John N., 1917, “The Scope and Method of Political Economy”, New York : Kelley Reprints of

Economic Classics, 4ème éd. Réédition, New York.

97) KRUGMAN Paul, 1991, “Target Zones and Exchange Rate Dynamics”, Quarterly Journal of Economics, 116

: 669 – 682.

98) KUTTNER Kenneth, 1994, “Estimating potential output as a latent variable”, Journal of Business and

Economic Statistics, vol. 12, No. 3, 361 – 368.

VI Jean – Paul Kimbambu, Tsasa Vangu

99) KUZNETS Simon, 1995, “Economic Growth and Inequality”, American Economic Review, 45, 1 – 28.

100) KYDLAND Finn E. and Edward C. PRESCOTT, 1977, “Rules Rather than Discretion: The Inconsistency of

Plans, Journal of political Economy, 85:473 – 491.

101) KYDLAND Finn E. and Edward C. PRESCOTT, 1982, “Time to Build and Aggregate Fluctuations”,

Econometrica, 50: 1345 – 1370.

102) LANCASTER Kelvin, 1973, “The Dynamic Inefficiency of Capitalism”, Journal of Political Economy, 5,

1092 – 1109.

103) LAXTON Douglas and Robert TETLOW (1992), “A Simple Multivariate Filter for the Measurement of

Potential Output”, Technical Report, 59, Bank of Canada.

104) LEVINE Paul L., 1988, « Does Time Inconsistency Matters ? », Document de travail, CEPR, 227.

105) LEWIS Arthur W., 1954, “Economic Development with Unlimited Supplies of Labour”, Manchester

School of Economics and Social Studies, 22 (2).

106) LITTERMAN Robert B., 1983, “A randomWalk, Markov Model for the Distribution of Time Series”,

Journal of Business and Economic Statistics, vol. 1, num. 2, 169 – 73.

107) LUBIK Thomas A. and Frank SCHORFHEIDE, 2004, “Testing for indeterminacy: an application to U.S.

monetary policy”, American Economic Review, 94(1), 190 – 217.

108) LUCAS Robert E. and Thomas J. SARGENT, 1979, “After Keynesian macroeconomics”, Federal Reserve

Bank of Minneapolis, Quarterly Review, 3 (Spring) 1 – 16.

109) LUCAS Robert E., 1972, “Expectations and the Neutrality of Money”, Journal of Economic Theory, vol.

4, no. 2 (April) 103 – 124.

110) LUCAS Robert E., 1976, “Econometric Policy Evaluation: A Critique”, in K. Brunner & A. Meltzer (Eds),

The Phillips Curve and Labor Markets, North – Holland.

111) MANKIW Gregory, 2001, “US Monetary Policy during the 1990s”, 2001, NBER Working Paper n°8471.

112) MARAVALL Agustín and Ana del RIO, 2001, Time Aggregation and the Hodrick – Prescott Filter, Banco

de España.

113) MASKIN Eric and David NEWBERY, 1978, “Rational Expectations with Market Power – the Paradox of

the Disadvantageous Tariff on Oil”, Working paper no. 227 (Massachusetts Institute of Technology,

Cambridge, MA).

114) MATATA Dandy et Jean – Paul TSASA, 2012, “Troïka statistique de R.A. Fisher : Critère absolu,

Information de Fisher et Analyse de la Variance”, One Pager Laréq, vol. 2, num. 003, (mai 2012), 16 – 21.

115) McCALLUM Bennett T and Edward NELSON, 1999b, “Performance of Operational Policy Rules in an

Estimated Semi-Classical Structural Model”, in Taylor, John B., Monetary Policy Rules, Chicago: University

of Chicago Press, 1999, 15 – 45.

116) McCALLUM Bennett T. and Edward NELSON, 1999a, “An Optimizing IS-LM Specification for Monetary

Policy and Business Cycle Analysis”, Journal of Money, Credit, and Banking, August 1999, vol. 31 (3), Part

1, 296 – 316.

117) McCAW Sharon et Kjersti H. MORKA, 2005, « Monetary Policy and the Trade – off between Inflation

and output variability », Economic Bulletin, Norges Bank, 2005 – 01.

118) MINTZ Ilse, 1969, “Dating Postwar Business Cycles: Methods and Their Application to Western

Germany, 1950-1967”, Occasional Paper National Bureau of Economic Research, 107, New York.

119) MISHKIN Frederic S., 1982, “Does anticipated Monetary Policy Matter? An Econometric Investigation”,

Journal of Politica Economics, 90 (1), (February 1982), 21 – 51.

120) MOULEY Sami, 2006, « Analyse Macroéconomique. 1 », Université Virtuelle de Tunis.

121) MOYEN Stéphan et Jean – Guillaume SAHUC, 2008, « Le Modèle d’Equilibre Général de la “Nouvelle

synthèse” »: quelles hypothèses retenir ?, Economie & Prévision, No. 183 – 184, JEL C3, C5.

122) MUTH John, 1961, “Rational Expectations and the Theory of Price Movements”, Econometrica, 29(3),

July, 315 – 335.

123) NEUMEYER Pablo A., and Fabrizio PERRI, 2005, “Business Cycles in Emerging Economies: The Role of

Interest Rates”, Journal of Monetary Economics, 52(2), 345 – 80.

124) NEWBOLD Paul, 1982, “Causality Testing in Economics”, in O. D. Anderson, ed., ‘Time Series Analysis :

Theory and Practice 1’, North-Holland, Amsterdam.

125) NORDHAUS William, 1994, “Policy Games: Coordination and Independence in Monetary and Fiscal

Policies”, Brooking Papers on Economic Activity, n°2, 139 – 216.

126) NORTH Douglass C., 1989, “Institutions and Economic Growth: An Historical Introduction”, World

Development, 17 (9), 1319 – 1332.

127) NUBUKPO Kako, 2002, “L’impact de la variation des taux d’intérêt directeurs de la BCEAO sur l’inflation

et la croissance dans l’UMOA”, Notes d’Information et Statistiques, Série « Etudes et Recherches »,

N°526, BCEAO, Dakar, Juin 2002, 32p.

128) OLEKAH J.K.A and Rasheed OYAROMADE, 2007, “Estimating a DSGE Model of the Nigerian Economy”,

Draft paper scheduled for presentation at the 12th African Econometric Society (AES) Conference in Cape

Town, South Africa, July 4 – 6.

VII Jean – Paul Kimbambu, Tsasa Vangu

129) PHELPS Edmund S. and Robert A. POLLAK, 1968, “On Second – Best National Saving and Game

Equilibrium Growth”, Review of Economic Studies 2, 185 – 199.

130) PHILLIPS Alban. W., 1958, “The Relation between Unemployment and the Rate of Change of Money

Wages Rates in the UK, 1861-1957”, Economica, vol. 25, num. 100 (November), 283 – 299.

131) POLLAK Robert A., 1968, “Consistent Planning”, Review of Economic Studies 2, 201 – 208.

132) PORTIER Franck, 2008, « Interprétation d’épisodes historiques à l’aide de modèles dynamiques

stochastiques d’équilibre général, Economie & prévision, vol. 4, num. 185, 33 – 46.

133) PRESCOTT Edward C., 1977, “Should Control Theory Be Used for Economic Stabilization?”, in: Karl

Brunner and Allan H. Meltzer, eds., Carnegie-Rochester Conference Series on Public Policy, Vol. 7: Optimal

policies, control theory and technology exports (North-Holland, Amsterdam) 13-38.

134) PROIETTI Tommaso, 2004, “State Space Decomposition Under the Hypothesis of Non Zero Correlation

Between Trend and Cycle With an Application to the Euro-zone”, in Monographs of Official Statistics,

Papers and Proceedings of the Third Colloquium on Modern Tools for Business Cycle Analysis, G. L. Mazzi

et G. Savio (Eds.), Research in Official Statistics, 292-325, Eurostat, Luxembourg.

135) RAMSEY Franck P., 1927, “A Contribution to the Theory of Taxation”, Economic Journal, 37 :543 – 559.

136) RAVN Morten and Harald UHLIG, 2002, “On Adjusting the Hodrick – Prescott Filter for the Frequency of

Observations”, The Review of Economics and Statistics, No. 84, vol. 2, pp. 371–375.

137) RUDEBUSCH Glenn D. and Lars E.O. SVENSSON, 2001, « Policy Rules for Inflation Targeting », in

Taylor, John B. (Ed.), 203 – 262.

138) SAMUELSON Paul A. and Robert M. SOLOW, 1960, “Analytical Aspects of Anti-inflation Policy”, The

American Economic Review, vol. 50, num. 2, (May) 177 – 194.

139) SAMUELSON Paul A., 1958, “An Exact Consumption Loan Model of Interest with or without the Social

Contrivance of Money”, Journal of Political Economy, 66, 467 – 482.

140) SARGENT Thomas J. and Neil WALLACE, 1975, “Rational Expectations, the Optimal Monetary

Instrument and the Optimal Money Supply Rule”, Journal of Political Economy, vol. 83, no. 2 (April) 241 –

254.

141) SCHMITT – GROHE Stephanie, and Martin URIBE. 2003. “Closing Small Open Economy Models”,

Journal of International Economics, 61(1), 163 – 85.

142) SEFTON James, 1996, “Output Gaps and Inflation: an Approach Using a Multivariable Beveridge-Nelson

Decomposition”, Discussion Paper, 87, NIESR.

143) SEN Amartya K., 1980, “Equality of What?” In S. McMurrin, ed., Tanner Lectures on Human Values,

vol. I. Cambridge (Royaume – Uni): Cambridge University Press.

144) SEN Amartya K., 1981, “Market failure and control of labour power : towards an explanation of «

structure » and change in Indian agriculture”, Cambridge Journal of Agriculture , 5(3).

145) SEN Amartya K., 1988, The Concept of Development, In H. Chenery and T.N. Srinivasan, eds.,

Handbook of Development Economics, vol. 1, New York : Elsevier Science Publishers.

146) SEN Amartya K., 1997, “What Is the Point of a development Strategy?” Development Economics

Research Programme No. 3 (April), London School of Economics.

147) SENE Serigne Moustapha et THIAW Kalidou, 2011, La production potentielle du Sénégal : une

approche mixte fonction de production – DSGE, Colloque Dynamiques de croissance au sein de l’UEMOA.

148) SHAPIRO Samuel and Joseph STIGLITZ, 1984, “Equilibrium Unemployment as a Worker Discipline

Device”, American Economic Review, 74, 433 – 444.

149) SHILLER Robert J., 1978, “Rational Expectations and The Dynamic Structure of Macroeconomic Model”,

Journal of Monetary Economics, 4, 1 – 44.

150) SIMS Christopher A., 1972, “Money, Income and Causality”, American Economic Review, 540 – 552.

151) SIMS Christopher A., 1982, “Policy Analysis with Econometric model”, Brooking Papers on Economic

Activity, 1.

152) SIMS Christopher A., 1996, “Macroeconomics and Methodology”, The journal of Economic Perspectives,

vol. 10, No. 1, 105 – 120.

153) SIMS Christopher A., 2008, “Improving monetary policy models”, Journal of Economic Dynamics &

Control, 32(8), 2460 – 75.

154) SIMS Christopher A., 2010, “Comment on Policy at the Zero Lower Bound”, CEPS Working Paper, No.

201(Janvier).

155) SINGH Inderjit, Lyn SQUIRE and John STRAUSS, 1986, “A Survey of Agricultural Household Models”,

World Bank Economic Review , 1 (1), 149 – 179.

156) SMETS Frank R. and Raf WOUTERS, 2003, “An Estimated Dynamic Stochastic General Equilibrium

Model for the Euro Area”, Journal of the European Economic Association, 1(5):1123 – 75.

157) SMETS Frank R. and Raf WOUTERS, 2005, “Bayesian New Neo – Classical Synthesis (NNS) Models:

Modern Tools for Central Banks”, Journal of the European Economic Association, 3(2-3):422 – 433.

158) SMETS Frank R. and Raf WOUTERS, 2007, “Shocks and frictions in US Business Cycles: A Bayesian

DSGE Approach”, ECB working Paper, No.722.

VIII Jean – Paul Kimbambu, Tsasa Vangu

159) SÖDERLIND Paul, 1999, « Solution and Estimation of RE Macromodels with Optimal Policy », European

Economic Review, 43, 813 – 823.

160) SOLOW Robert M., 2002, « Peut – On Recourir à la Politique Budgétaire ? Est – Ce Souhaitable ? »,

dans Revue de l'OFCE, vol. 83 (August, 2002).

161) STEIN Jerome L., 1981, “Monetarism Keynesian, and New Classical Economics”, American Economic

Review, 71(2), mai 1981, 139 – 144.

162) STEINBACH Rudi, Patience MATHULOE and Ben SMIT, 2009, “An open economy New Keynesian DSGE

model of the South African economy”, South African Reserve Bank Working Paper, WP/09/01 (april 2009),

Research Department.

163) STIGLITZ Joseph E. and Amar BHATTACHARYA, 1999, “Underpinnings for a Stable and Equitable

Global Financial System: From Old Debates to a New Paradigm”, Communication présentée lors de

l’Annual Bank Conference on Development Economics, 28 – 30 avril, Banque mondiale, Washington D.C.

164) STROTZ Robert H., 1956, “Myopia and Inconsistency in Dynamic Utility Maximization”, Review of

Economic Studies, 165-180.

165) TAUB Bart, 1986, “Asymptotic Properties of Pipeline Control of the Money Supply”, International

Economic Review, 27, October, 647 – 665.

166) TAYLOR John B., 1979a, “Staggered Wage Setting in a Macromodel”, American Economic Review, 69.

167) TAYLOR John B., 1979b, “Aggregate Dynamics and Staggered Contracts”, American Economic Review,

69.

168) TAYLOR John B., 1979c, “Estimation and Control of a Macroeconomic Model with Rational

Expectations”, Econometrica, 1267 – 1286.

169) TSASA Jean – Paul, 2012a, « Etude de la Normalité : Application du Test de Shapiro – Wilk et

Transformation de Box – Cox », One Pager Laréq, vol. 1, num. 004, (mars 2012), 6p.

170) TSASA Jean – Paul, 2012b, « Initiation à la Macroéconomie DGE : Identités Mathématiques et

Fondements Théoriques », One Pager Laréq, vol. 1, num. 009, (avril 2012), 13p.

171) TSASA Jean – Paul, 2012c, « Incohérence Temporelle de la Politique Economique : Application et

Développement du modèle de Fischer », One Pager Laréq, vol. 3, num. 001, 1 – 14, disponible et

téléchargeable sur http://www.lareq.com.

172) TSASA Jean – Paul, 2012d, « Politique Macroéconomique et Anticipations rationnelles : Une

présentation non folklorique de la Critique de Lucas », One Pager Laréq, vol. 3, num. 002, (juillet 2012),

15 – 25, disponible et téléchargeable sur http://www.lareq.com.

173) TSASA Jean – Paul, 2012e, « Paradigme Bayésien et Principe de Révision Bayésienne », One Pager

Laréq, vol. 3, num. 002, 25 – 37, disponible et téléchargeable sur http://www.lareq.com.

174) TSASA Jean – Paul, 2012f, « Les Fondements Microéconomiques de la Macroéconomie : Hypothèses,

Modèle canonique et Règles de décisions», One Pager Laréq, vol. 3, num. 002, 25 – 37, disponible et

téléchargeable sur http://www.lareq.com.

175) URIBE Martin and Vivian Z. YUE, 2006. “Country Spreads and Emerging Countries: Who Drives

Whom?”, Journal of International Economics, 69(1), 6 – 36.

176) WALLISER Bernard, 1982 ; « Equilibre et anticipations rationnelles », Revue économique, 33(4), juillet

1982.

177) WOODFORD Michael, 2007, “How important is money in the conduct of monetary policy”, NBER

Working Paper, No. 13325.

178) WOODFORD Michael, 2009, “Convergence in macroeconomics: elements of the new synthesis”,

American Economic Journal:, Macroeconomics, 1(1): 267 – 279.

179) ZANOWITZ Victor, 1999, “Theory and History Behind Business Cycles: Are the 1990s the onset of a

Golden Age ?” Journal of Economic perspectives, 13 (2): 69 – 90.





IX Jean – Paul Kimbambu, Tsasa Vangu

Annexes

Annexe 1 : Cadre d’analyse

Les problèmes d’optimisation dynamique stochastique prennent la forme de la maximisation d’une valeur

anticipée et actualisée. Le programme s’écrit :

Sous contrainte :

où :

: Espérance conditionnelle à l’information disponible à l’instant t du temps ;

: sont des variables aléatoires dont les valeurs futures sont inconnues à la période t et

doivent être anticipées à partir des données présentes1.

Puisque la méthode des multiplicateurs de Lagrange est impuissante pour résoudre tels problèmes (voir

Wickens, 2010 pour tous les détails), la méthode de programmation dynamique est préférée mobilisée.

En réécrivant la fonction valeur actualisée de manière récursive, on obtient, ainsi, l’équation de Bellman :

En maximisant l’équation de Bellman sous contrainte :

On obtient :

Par conséquent :

où les deux dernières dérivées sont obtenues à partir de la contrainte.

La solution satisfait :

Après calcul, et en tenant compte de la contrainte, on dérive ainsi les solutions optimales.

1 Dans les problèmes d’optimisation dynamiques non stochastiques, on supposait implicitement que les valeurs futures étaient connues (anticipations parfaites). Cette hypothèse forte est levée avec les problèmes d’optimisation dynamiques stochastiques.

X Jean – Paul Kimbambu, Tsasa Vangu

Annexe 2 : Dérivation de l’évolution tendancielle par le filtre HP

La dérivation de l’évolution tendancielle des données se fera par le filtrage à la Hodrick – Prescott. Le

filtre HP partage l’évolution d’une variable en composante tendancielle et en composante cyclique ou

conjoncturelle, soit :

où à chaque instant du temps t, désigne la chronique considérée ;

, la composante tendancielle et , la composante conjoncturelle.

Afin de décomposer la chronique w, Hodrick et Prescott se sont proposé de résoudre le programme

suivant d’optimisation :

où le paramètre de lissage contrôle la régularité de la série tendance ajustée. Plus il est proche de

zéro, plus la tendance se rapproche de la série réelle. Par contre, plus il tend vers l’infini, plus la

tendance devient linéaire.

D’une part, une valeur suppose que la chronique w effectif est égal à w tendanciel et donc, une

composante conjoncturelle nulle. Et d’autre part, une valeur suppose une tendance linéaire, c’est-

à-dire une croissance tendancielle à taux constant. Le paramètre lambda est donc un nombre positif qui

pénalise la variabilité dans la composante tendancielle : plus sa valeur est grande, plus la croissance

tendancielle sera lisse. Le tableau suivant reprend les valeurs les plus couramment utilisées pour le

paramètre .

Tableau A2 – 1 : Valeurs du paramètre

Valeur de

: En cas de nullité la variance des changements de rythme de la croissance

potentielle

100 000 < < 140

000

: En cas de données mensuelles, d’après Maraval et del Rio (2001)

14 400 : En cas de données mensuelles (Hodrick – Prescott, 1980)

7 000 : En cas de données trimestrielles (Banque de France, 2002)

1 600 : En cas de données trimestrielles (Hodrick – Prescott, 1980)

100 - 400 : En cas d’ajustements quadratiques (notamment, en cas de Puissance = 1)

100 : En cas de données annuelles, avec prise en compte de l’hypothèse de

Hodrick – Prescott (1980) : Puissance = 2

30 : En cas de données annuelles (Banque de France, 2002)

6.25 : En cas de données annuelles d’après Ravn – Uhlig (1997) : Puissance = 4

6 < < 14 : En cas de données annuelles, d’après Maraval et del Rio (2001)

6 < < 7 : En cas de données annuelles, d’après Ravn – Uhlig (2002) et Maraval

(2004)

0 : Egalité entre PIB effectif et PIB tendanciel

Notons que le choix de la valeur de est fonction de propriétés statistiques et économiques que l’on

attribue à la tendance et au cycle. Ainsi :

- Sur le plan statistique, le choix de la valeur de consiste à sélectionner la part des fluctuations

qui relèvent du court terme et celle des mouvements qui affectent le long terme. En pratique,

une valeur de trop faible affecte à tort une partie des cycles de périodicité courte à la

tendance, conduisant cette dernière à être trop volatile. A l’opposé, un trop élevé conduit à

surestimer la composante cyclique. Par conséquent, choisir la valeur du paramètre revient à

déterminer la longueur moyenne des cycles d’activité.

- Sur le plan économique, choisir une tendance fortement volatile revient à mener une analyse

structurelle dans un environnement économique pas assez stabilisé, autrement dit encore trop

XI Jean – Paul Kimbambu, Tsasa Vangu

influencé par des fluctuations conjoncturelles. Ce critère interdit donc de choisir une valeur trop

faible pour .

En considérant les opérateurs de retard et de différentiation, le programme de minimisation devient :

Avec , opérateur de différenciation et , opérateur de retard

Et Où

En vertu du théorème de Rolle, la condition du premier ordre d’optimisation donne :

Connaissant la relation , on obtient :

ce qui livre, par la suite, l’équation aux différences d’ordre 5 suivantes :

La relation obtenue est une équation non homogène dont la résolution se fera par inversion du filtre HP.

Tenant compte du faite que :

On peut écrire :

ainsi obtient – on un polynôme de retard ayant pour équation caractéristique :

La solution à cette équation est donnée par 4 racines complexes r1, r2, r3 et r4 ayant les parties réelles et

imaginaires suivantes :

Partie réelle Partie imaginaire

En posant :

Les racines de l’équation caractéristique s’écrivent donc :

XII Jean – Paul Kimbambu, Tsasa Vangu

De la relation , écrivons :

où est un polyn me de retard et s’écrit :

En intégrant l’opérateur centré de produit de la différence seconde retardée et différence seconde

avancée, noté :

la relation devient :

Connaissant l’écriture du filtre cyclique :

On peut donc écrire :

En dérivant l’expression

, King et Rebelo ont montré que ce filtre cyclique est capable de

rendre stationnaire, n’importe quel processus intégré jusqu’au quatrième ordre, étant donné qu’il y a 4

différences dans le numérateur (Ahumada, 1999).


XIII

Annexe 3 : Données utilisées pour l’estimation du modèle d’analyse

Tableau A3 – 1 : Production, Indice de prix et Taux d’intérêt nominal (fréquence annuelle)

Année

Production (en milliards USD)

Indice de prix (Base 2009 = 100)

Taux d’intérêt nominal

2001 4,7 24,54 140

2002 5,5 28,41 24

2003 5,7 29,68 8

2004 6,5 32,41 14

2005 7,2 39,31 29

2006 8,8 46,46 40

2007 10,0 51,09 23

2008 11,9 65,17 40

2009 11,2 100,00 70

2010 13,2 109,84 22

2011 16,1 126,79 20

Tableau A3 – 2 : Taux d’intérêt nominal (fréquence mensuelle)

Taux d’intérêt nominal (fréquence mensuelle)

janv.-02 90 janv.-04 8 janv.-06 25,5 janv.-08 24 janv.-10 70

févr.-02 90 févr.-04 8 févr.-06 25,5 févr.-08 24 févr.-10 70

mars-02 90 mars-04 8 mars-06 25,5 mars-08 24 mars-10 60

avr.-02 90 avr.-04 8 avr.-06 25,5 avr.-08 24 avr.-10 52

mai-02 12 mai-04 8 mai-06 28,5 mai-08 24 mai-10 42

juin-02 12 juin-04 8 juin-06 28,5 juin-08 30 juin-10 42

juil.-02 12 juil.-04 8 juil.-06 28,5 juil.-08 30 juil.-10 29,5

août-02 12 août-04 6 août-06 28,5 août-08 30 août-10 22

sept.-02 12 sept.-04 9 sept.-06 35 sept.-08 30 sept.-10 22

oct.-02 12 oct.-04 14 oct.-06 45 oct.-08 30 oct.-10 22

nov.-02 12 nov.-04 14 nov.-06 45 nov.-08 30 nov.-10 22

déc.-02 24 déc.-04 14 déc.-06 40 déc.-08 40 déc.-10 22

janv.-03 27 janv.-05 20 janv.-07 40 janv.-09 65 janv.-11 29,5

févr.-03 27 févr.-05 65 févr.-07 50 févr.-09 65 févr.-11 29,5

mars-03 27 mars-05 65 mars-07 50 mars-09 65 mars-11 29,5

avr.-03 27 avr.-05 65 avr.-07 40 avr.-09 65 avr.-11 29,5

mai-03 25 mai-05 65 mai-07 30 mai-09 65 mai-11 29,5

juin-03 25 juin-05 40 juin-07 30 juin-09 65 juin-11 29,5

juil.-03 20 juil.-05 31,8 juil.-07 22,5 juil.-09 65 juil.-11 29,5

août-03 20 août-05 40,99 août-07 22,5 août-09 65 août-11 29,5

sept.-03 15 sept.-05 35,75 sept.-07 22,5 sept.-09 65 sept.-11 29,5

oct.-03 15 oct.-05 31,5 oct.-07 22,5 oct.-09 70 oct.-11 24,5

nov.-03 8 nov.-05 28,75 nov.-07 22,5 nov.-09 70 nov.-11 24,5

déc.-03 8 déc.-05 28,75 déc.-07 22,5 déc.-09 70 déc.-11 20


XIV

Tableau A3 – 3 : Production, Indice de prix et Taux d’intérêt nominal (fréquence trimestrielle)

Année Trimestre production Indice de prix Taux d’intérêt

nominal

2002 I 1,0671875 5,63 90

II 1,1453125 11,62375 12

III 1,2140625 17,940625 12

IV 1,2734375 24,54 24

2003 I 1,3234375 25,47191262 27

II 1,3640625 26,43123944 25

III 1,3953125 27,41244654 15

IV 1,4171875 28,41 8

2004 I 1,3828125 28,71996499 8

II 1,4046875 29,03430256 8

III 1,4359375 29,35398885 9

IV 1,4765625 29,68 14

2005 I 1,55390625 30,32722074 65

II 1,60234375 30,99430211 40

III 1,64921875 31,68673242 35,75

IV 1,69453125 32,41 28,75

2006 I 1,69921875 34,01974128 25,5

II 1,75703125 35,7058646 28,5

III 1,82890625 37,46905562 35

IV 1,91484375 39,31 40

2007 I 2,065625 41,00949083 50

II 2,159375 42,7716942 30

III 2,246875 44,59055047 22,5

IV 2,328125 46,46 22,5

2008 I 2,36015625 47,54471021 24

II 2,44609375 48,66902611 30

III 2,54296875 49,84632895 30

IV 2,65078125 51,09 40

2009 I 2,8984375 54,14969464 65

II 2,9765625 57,46956115 65

III 3,0140625 61,11964708 65

IV 3,0109375 65,17 70

2010 I 2,76015625 73,08019232 60

II 2,75859375 81,61258994 42

III 2,79921875 90,63119259 22

IV 2,88203125 100 22

2011 I 3,07734375 102,3524772 29,5

II 3,21640625 104,7700014 29,5

III 3,36953125 107,2625249 29,5

IV 3,53671875 109,84 20


XV

Tableau A3 – 4 : Dérivation des écarts de Production, Taux d’inflation et Taux d’intérêt directeur (fréquence trimestrielle)

Année

Production

Taux d’inflation

Taux d’intérêt nominal

2002 : I 0,065026683 0,065721259 -0,069457571 1,728109442 1,386294361 34,1815081 31,46569 2,715818103 0,9821 1,822624987 90 88,17737501

II 0,135677526 0,104875198 3,080232762 2,453050419 1,728109442 72,49409767 28,77112 43,72297767 0,9821 1,822624987 12 10,17737501

III 0,193972174 0,142553694 5,141848003 2,887067694 2,453050419 43,40172756 26,07826 17,32346756 0,9821 1,822624987 12 10,17737501

IV 0,241719937 0,17888148 6,283845705 3,200304439 2,887067694 31,32367449 23,41611 7,907564491 0,9821 1,822624987 24 22,17737501

2003 : I 0,280232518 0,213999471 6,623304694 3,237576379 3,200304439 3,727193994 20,82454 -17,09734601 0,9821 1,822624987 27 25,17737501

II 0,310467379 0,248073404 6,239397543 3,274546623 3,237576379 3,697024349 18,34833 -14,65130565 0,9821 1,822624987 25 23,17737501

III 0,333118405 0,281286414 5,183199076 3,310997164 3,274546623 3,645054083 16,0216 -12,37654592 0,9821 1,822624987 15 13,17737501

IV 0,348674274 0,313842388 3,483188583 3,346741196 3,310997164 3,574403233 13,8693 -10,29489677 0,9821 1,822624987 8 6,177375013

2004 : I 0,324119469 0,345950037 -2,183056852 3,357592525 3,346741196 1,08513293 11,90863 -10,82349707 0,9821 1,822624987 8 6,177375013

II 0,339814858 0,377816381 -3,800152239 3,368477978 3,357592525 1,08854527 10,15039 -9,06184473 0,9821 1,822624987 8 6,177375013

III 0,361817946 0,409608512 -4,779056634 3,379428443 3,368477978 1,095046547 8,598579 -7,503532453 0,9821 1,822624987 9 7,177375013

IV 0,389716751 0,441454324 -5,17375724 3,390473418 3,379428443 1,104497496 7,251564 -6,147066504 0,9821 1,822624987 14 12,17737501

2005 : I 0,440771922 0,473435857 -3,266393547 3,412045683 3,390473418 2,157226518 6,103003 -3,945776482 0,9821 1,822624987 65 63,17737501

II 0,471467401 0,505594566 -3,412716445 3,433803385 3,412045683 2,175770121 5,142717 -2,966946879 0,9821 1,822624987 40 38,17737501

III 0,500301691 0,537944948 -3,764325711 3,455898058 3,433803385 2,209467294 4,358061 -2,148593706 0,9821 1,822624987 35,75 33,92737501

IV 0,527406154 0,570479987 -4,307383289 3,478467017 3,455898058 2,256895953 3,734535 -1,477639047 0,9821 1,822624987 28,75 26,92737501

2006 : I 0,530168587 0,60316722 -7,299863326 3,526940982 3,478467017 4,847396485 3,256298 1,591098485 0,9821 1,822624987 25,5 23,67737501

II 0,563625595 0,635952825 -7,232722985 3,57531495 3,526940982 4,83739678 2,906584 1,93081278 0,9821 1,822624987 28,5 26,67737501

III 0,603718111 0,6687469 -6,502878966 3,623515409 3,57531495 4,820045905 2,669621 2,150424905 0,9821 1,822624987 35 33,17737501

IV 0,649636027 0,701427801 -5,179177478 3,671478939 3,623515409 4,796353058 2,530845 2,265508058 0,9821 1,822624987 40 38,17737501

2007 : I 0,725432844 0,733852368 -0,84195242 3,713803524 3,671478939 4,232458414 2,477035 1,755423414 0,9821 1,822624987 50 48,17737501

II 0,769818828 0,765864043 0,395478526 3,755876533 3,713803524 4,207300976 2,496388 1,710912976 0,9821 1,822624987 30 28,17737501

XVI Jean – Paul Kimbambu, Tsasa Vangu

III 0,809540362 0,797323395 1,221696672 3,797521964 3,755876533 4,164543038 2,578194 1,586349038 0,9821 1,822624987 22,5 20,67737501

IV 0,845063223 0,828109362 1,695386097 3,838591727 3,797521964 4,106976363 2,712817 1,394159363 0,9821 1,822624987 22,5 20,67737501

2008 : I 0,858727824 0,85812461 0,060321401 3,861670536 3,838591727 2,307880856 2,89161 -0,583729144 0,9821 1,822624987 24 22,17737501

II 0,894492364 0,887294783 0,719758121 3,885042814 3,861670536 2,337227767 3,106797 -0,769569233 0,9821 1,822624987 30 28,17737501

III 0,933332198 0,915554861 1,777733654 3,908944852 3,885042814 2,390203819 3,350238 -0,960034181 0,9821 1,822624987 30 28,17737501

IV 0,974854408 0,942853205 3,200120293 3,933588783 3,908944852 2,464393157 3,613313 -1,148919843 0,9821 1,822624987 40 38,17737501

2009 : I 1,064171799 0,969154872 9,501692685 3,991752334 3,933588783 5,816355094 3,886799 1,929556094 0,9821 1,822624987 65 63,17737501

II 1,090769111 0,994448464 9,632064711 4,051255436 3,991752334 5,950310205 4,160759 1,789551205 0,9821 1,822624987 65 63,17737501

III 1,103288837 1,01878378 8,450505628 4,112833371 4,051255436 6,157793429 4,426457 1,731336429 0,9821 1,822624987 65 63,17737501

IV 1,102251492 1,042265898 5,998559407 4,17699924 4,112833371 6,416586972 4,676281 1,740305972 0,9821 1,822624987 70 68,17737501

2010 : I 1,01528729 1,06504413 -4,975683924 4,291557363 4,17699924 11,45581228 4,903697 6,55211528 0,9821 1,822624987 60 58,17737501

II 1,014721039 1,087291786 -7,257074721 4,401983539 4,291557363 11,04261754 5,10326 5,939357541 0,9821 1,822624987 42 40,17737501

III 1,02934036 1,109138031 -7,979767111 4,506798443 4,401983539 10,48149043 5,27362 5,207870432 0,9821 1,822624987 22 20,17737501

IV 1,058495341 1,130660223 -7,216488277 4,605170186 4,506798443 9,837174312 5,417139 4,420035312 0,9821 1,822624987 22 20,17737501

2011 : I 1,124066806 1,151884141 -2,781733503 4,628422515 4,605170186 2,325232905 5,539435 -3,214202095 0,9821 1,822624987 29,5 27,67737501

II 1,168264665 1,172791068 -0,452640298 4,651767485 4,628422515 2,334496969 5,648888 -3,314391031 0,9821 1,822624987 29,5 27,67737501

III 1,21477364 1,193348364 2,142527542 4,675279333 4,651767485 2,351184855 5,751867 -3,400682145 0,9821 1,822624987 29,5 27,67737501

IV 1,263199391 1,213523352 4,967603822 4,699024761 4,675279333 2,374542819 5,852672 -3,478129181 0,9821 1,822624987 20 18,17737501


XVII

Tableau A3 – 5 : Ecarts de Production, Taux d’inflation et Taux d’intérêt directeur

Année Trimestre Production Taux d’inflation Taux d’intérêt

nominal

2002 I -0,069457571 2,715818103 88,17737501

II 3,080232762 43,72297767 10,17737501

III 5,141848003 17,32346756 10,17737501

IV 6,283845705 7,907564491 22,17737501

2003 I 6,623304694 -17,09734601 25,17737501

II 6,239397543 -14,65130565 23,17737501

III 5,183199076 -12,37654592 13,17737501

IV 3,483188583 -10,29489677 6,177375013

2004 I -2,183056852 -10,82349707 6,177375013

II -3,800152239 -9,06184473 6,177375013

III -4,779056634 -7,503532453 7,177375013

IV -5,17375724 -6,147066504 12,17737501

2005 I -3,266393547 -3,945776482 63,17737501

II -3,412716445 -2,966946879 38,17737501

III -3,764325711 -2,148593706 33,92737501

IV -4,307383289 -1,477639047 26,92737501

2006 I -7,299863326 1,591098485 23,67737501

II -7,232722985 1,93081278 26,67737501

III -6,502878966 2,150424905 33,17737501

IV -5,179177478 2,265508058 38,17737501

2007 I -0,84195242 1,755423414 48,17737501

II 0,395478526 1,710912976 28,17737501

III 1,221696672 1,586349038 20,67737501

IV 1,695386097 1,394159363 20,67737501

2008 I 0,060321401 -0,583729144 22,17737501

II 0,719758121 -0,769569233 28,17737501

III 1,777733654 -0,960034181 28,17737501

IV 3,200120293 -1,148919843 38,17737501

2009 I 9,501692685 1,929556094 63,17737501

II 9,632064711 1,789551205 63,17737501

III 8,450505628 1,731336429 63,17737501

IV 5,998559407 1,740305972 68,17737501

2010 I -4,975683924 6,55211528 58,17737501

II -7,257074721 5,939357541 40,17737501

III -7,979767111 5,207870432 20,17737501

IV -7,216488277 4,420035312 20,17737501

2011 I -2,781733503 -3,214202095 27,67737501

II -0,452640298 -3,314391031 27,67737501

III 2,142527542 -3,400682145 27,67737501

IV 4,967603822 -3,478129181 18,17737501

Jean – Paul Kimbambu, Tsasa Vangu

XVIII

Annexe 4 : Codes MatLab/Dynare utilisé pour estimations et simulations

Code 1. Simulation (calibrage)

// Modèle DSGE pour la RD. Congo.mod

//--------------------------------------------------------------------------------------

close all

% 1. Declaration des variables et paramètres.

var produit inflation interet;

varexo etaprod etainf etaint;

parameters beta psi omega phi kappa xiinf xiprod sigetaprod sigetainf sigetaint;

% 2. Parameters calibration (values from estimation)

beta =0.982;

psi =0.40;

omega =0.65;

phi =0.228;

kappa =0.18;

xiinf =1.50;

xiprod =0.50;

sigetaprod =0.65;

sigetainf=0.55;

sigetaint =1.99;

% 3. Description du modèle d’analyse

model(linear);

produit = (1-psi)*produit(-1)+ psi*produit(+1)-phi*(interet-inflation(+1))+etaprod;

inflation = (1-omega)*inflation(-1)+ omega*inflation(+1)+kappa*produit+etainf;

interet = xiinf*inflation+xiprod*produit+etaint;

end;

% 4. Defining initial values, end values and shocks

% (shocks values from estimation)

initval;

produit=-7;

interet=18;

inflation=4;

end;

endval;

produit=0;

interet=0;

inflation=0;

end;

shocks;

var etaprod=sigetaprod^2;

var etaint=sigetaint^2;

var etainf=sigetainf^2;

end;

%5. Réalisation d’une simulation stochastique

stoch_simul(linear,periods=20000,relative_irf,ar=10);


XIX

Figure A4 – 1 : Distribution a priori

Figure A4 – 2 : Relative reponse to orthogonalized shock to etaprod

0 0.5 1 1.5 2 2.5 30

1

2

3

4SE_etaprod

0 1 2 3 4 5 60

0.5

1

1.5SE_etainf

0 0.5 1 1.5 2 2.5 30

1

2

3SE_etaint

0 0.2 0.4 0.6 0.80

1

2

3

4psi

0.2 0.4 0.6 0.8 10

1

2

3

4omega

0 0.2 0.4 0.6 0.80

2

4

6phi

0 0.1 0.2 0.3 0.40

5

10kappa

0.5 1 1.5 2 2.50

0.5

1

1.5

2xiinf

0 0.2 0.4 0.6 0.8 10

1

2

3xiprod

5 10 15 20 25 30 35 40-200

0

200produit

5 10 15 20 25 30 35 40-100

0

100inflation

5 10 15 20 25 30 35 40-200

0

200interet


XX

Figure A4 – 3 : Relative reponse to orthogonalized shock to etainfl

Figure A4 – 4: Relative reponse to orthogonalized shock to etaint

5 10 15 20 25 30 35 40-50

0

50produit

5 10 15 20 25 30 35 40-200

0

200inflation

5 10 15 20 25 30 35 40-200

0

200interet

5 10 15 20 25 30 35 40-50

0

50produit

5 10 15 20 25 30 35 40-20

0

20inflation

5 10 15 20 25 30 35 40-100

0

100interet


XXI

MODEL SUMMARY

Number of variables : 3

Number of stochastic shocks : 3

Number of state variables : 2

Number of jumpers : 2

Number of static variables : 1

Warning: Log of zero. This warning will be removed in a future release.

Consider using DBSTOP IF NANINF when debugging.

> In log10 at 20

In dyntable at 33

In stoch_simul at 105

In simulationthree at 149

In dynare at 120

MATRIX OF COVARIANCE OF EXOGENOUS SHOCKS

Variables etaprod etainf etaint

etaprod 0.422500 0.000000 0.000000

etainf 0.000000 0.302500 0.000000

etaint 0.000000 0.000000 3.960100

POLICY AND TRANSITION FUNCTIONS

produit inflation interet

produit(-1) 0.629251 0.332464 0.813322

inflation(-1) -0.154773 0.385081 0.500236

etaprod 1.048752 0.554107 1.355536

etainf -0.442207 1.100232 1.429245

etaint -0.239115 -0.126336 0.690938

MOMENTS OF SIMULATED VARIABLES

VARIABLE MEAN STD. DEV. VARIANCE SKEWNESS KURTOSIS

produit 0.008396 1.062061 1.127974 0.018557 0.048191

inflation 0.005601 0.970585 0.942036 -0.005278 -0.015169

interet -0.004511 2.169485 4.706664 0.005839 0.031315

CORRELATION OF SIMULATED VARIABLES

VARIABLE produit inflation interet

produit 1.0000 0.4819 0.1492

inflation 0.4819 1.0000 0.5517

interet 0.1492 0.5517 1.0000


XXII

AUTOCORRELATION OF SIMULATED VARIABLES

VARIABLE 1 2 3 4 5 6 7 8 9 10

produit 0.5683 0.2781 0.1100 0.0240 -0.0049 -0.0086 -0.0157 -0.0114

-0.0085 -0.0122

inflation 0.5589 0.2719 0.1074 0.0179 -0.0110 -0.0205 -0.0204 -0.0062

0.0025 0.0018

interet 0.1930 0.0799 0.0093 -0.0190 -0.0249 -0.0225 -0.0187 0.0027 -

0.0022 -0.0010

Total computing time : 0h00m09s

Code 2. Estimation bayésienne des paramètres du modèle DSGE de la RDC


//--------------------------------------------------------------------------------------

close all




beta=0.982;

model;




end;

estimated_params;

psi, beta_pdf,0.30,0.10;

omega, beta_pdf,0.55,0.10;

phi, gamma_pdf,0.14,0.10;

kappa, gamma_pdf,0.08,0.05;

xiinf, normal_pdf,1.40,0.20;

xiprod, normal_pdf,0.40,0.15;

stderr etaprod, inv_gamma_pdf,0.36,2;

stderr etainf, inv_gamma_pdf,0.99,2;

stderr etaint, inv_gamma_pdf,0.39,2;

end;

varobs produit inflation interet;

estimation(datafile=congo) produit inflation interet;

stoch_simul(irf=200,nograph);


XXIII

(A) RESULTS FROM POSTERIOR MAXIMIZATION

Parameters

prior mean mode s.d. t-stat prior pstdev

psi 0.300 0.3120 0.1057 2.9502 beta 0.1000

omega 0.550 0.5674 0.0305 18.5804 beta 0.1000

phi 0.140 0.0181 0.0106 1.6996 gamm 0.1000

kappa 0.080 0.0106 0.0072 1.4807 gamm 0.0500

xiinf 1.400 1.2267 0.1244 9.8631 norm 0.2000

xiprod 0.400 0.4911 0.1399 3.5106 norm 0.1500

Standard deviation of shocks

prior mean mode s.d. t-stat prior pstdev

etaprod 0.360 1.9319 0.3529 5.4741 invg 2.0000

etainf 0.990 4.8718 0.6068 8.0290 invg 2.0000

etaint 0.390 20.7904 2.2792 9.1218 invg 2.0000

MATRIX OF COVARIANCE OF EXOGENOUS SHOCKS

Variables etaprod etainf etaint etaprod 3.732103 0.000000 0.000000 etainf 0.000000 23.734185 0.000000 etaint 0.000000 0.000000 432.239565


Produit Inflation Interet Produit(-1) 0.982362 0.437749 1.019473 Inflation(-1) -0.014035 0.737860 0.898268 etaprod 1.427787 0.636235 1.481726 etainf -0.032447 1.705798 2.076630 etaint -0.025794 -0.011494 0.973232

THEORETICAL MOMENTS

VARIABLE MEAN STD. DEV. VARIANCE Produit 0.0000 10.3200 106.5034 Inflation 0.0000 20.4915 419.9018 Interet 0.0000 35.4076 1253.6983

VARIANCE DECOMPOSITION (in percent)

etaprod etainf etaint produit 92.44 4.06 3.49 inflation 62.30 35.35 2.35 interet 47.99 17.56 34.45

MATRIX OF CORRELATIONS

Variables produit inflation interet produit 1.0000 0.7339 0.6336 inflation 0.7339 1.0000 0.8082 interet 0.6336 0.8082 1.0000

COEFFICIENTS OF AUTOCORRELATION

Order 1 2 3 4 5 produit 0.9619 0.9237 0.8858 0.8486 0.8123 inflation 0.8997 0.8166 0.7471 0.6883 0.6378 interet 0.6084 0.5609 0.5201 0.4847 0.4536

Total computing time : 0h03m26s


XXIV

(B) ESTIMATION RESULTS Log data density is -583.429113.

Parameters prior mean post. mean conf. interval prior pstdev

psi 0.300 0.5022 0.2683 0.7361 beta 0.1000 omega 0.550 0.7707 0.5806 0.9609 beta 0.1000 phi 0.140 0.0327 0.0100 0.0554 gamma 0.1000 kappa 0.080 0.0548 0.0275 0.0820 gamma 0.0500 xiinf 1.400 0.9765 0.9685 0.9844 norm 0.2000

xiprod 0.400 0.3918 0.2519 0.5316 norm 0.1500

standard deviation of shocks prior mean post. mean conf. interval prior pstdev

etaprod 0.360 2.0456 1.3083 2.7829 invg 2.0000 etainf 0.990 7.2221 6.3743 8.0698 invg 2.0000 etaint 0.390 30.8364 21.3978 40.2750 invg 2.0000

Warning: Some of the parameters have no value (sigetaprod, sigetainf, sigetaint) when using stoch_simul. If these parameters

are not initialized in a steadystate file, Dynare may not be able to solve the model...

MATRIX OF COVARIANCE OF EXOGENOUS SHOCKS Variables etaprod etainf etaint

etaprod 3.732103 0.000000 0.000000 etainf 0.000000 23.734185 0.000000 etaint 0.000000 0.000000 432.239565


produit inflation interet

produit(-1) 0.982362 0.437749 1.019473 inflation(-1) -0.014035 0.737860 0.898268 etaprod 1.427787 0.636235 1.481726 etainf -0.032447 1.705798 2.076630 etaint -0.025794 -0.011494 0.973232 Warning: Log of zero. This warning will be removed in a future release.

Consider using DBSTOP IF NANINF when debugging.

THEORETICAL MOMENTS VARIABLE MEAN STD. DEV. VARIANCE

produit 0.0000 10.3200 106.5034 inflation 0.0000 20.4915 419.9018 interet 0.0000 35.4076 1253.6983

VARIANCE DECOMPOSITION (in percent) etaprod etainf etaint produit 92.44 4.06 3.49 inflation 62.30 35.35 2.35 interet 47.99 17.56 34.45

MATRIX OF CORRELATIONS Variables produit inflation interet

produit 1.0000 0.7339 0.6336 inflation 0.7339 1.0000 0.8082 interet 0.6336 0.8082 1.0000


XXV

COEFFICIENTS OF AUTOCORRELATION

Order 1 2 3 4 5

produit 0.9619 0.9237 0.8858 0.8486 0.8123

inflation 0.8997 0.8166 0.7471 0.6883 0.6378 interet 0.6084 0.5609 0.5201 0.4847 0.4536 Total computing time : 0h03m26s

Code 3. Simulation des déviations standards observées des variables endogènes


//--------------------------------------------------------------------------------------

close all

% 1. Declaration des variables et paramètres.




% 2. Parameters calibration (values from estimation)

beta =0.982;

psi =0.5022;

omega =0.7707;

phi =0.0327;

kappa =0.0548;

xiinf =0.9765;

xiprod =0.3918;

sigetaprod =2.0456;

sigetainf=7.2221;

sigetaint =30.8364;

% 3. Description du modèle d’analyse

model(linear);




end;

% 4. Defining initial values, end values and shocks

% (shocks values from estimation)

initval;

produit=-7;

interet=18;

inflation=4;

end;

endval;

produit=0;

interet=0;

inflation=0;

end;

shocks;

var etaprod=sigetaprod^2;

var etaint=sigetaint^2;


XXVI

var etainf=sigetainf^2;

end;

%5. Réalisation d’une simulation stochastique

stoch_simul(linear,periods=20000,simul_seed=2,relative_irf,ar=10);

Annexe 5 : Output de l’estimation du modèle SVAR

(A) TEST DE PHILLIPS – PERRON

Tableau A5 – 1 : Caractéristiques des variables sous étude

Processus DS Processus TS Stationnaire à niveau

Taux d’intérêt directeur Crédit à l’économie Dépenses gouvernementales

Masse monétaire Produit global Encours BTR

Prix à la consommation … …

Taux de change … …

(B) CRITERES D’AKAIKE ET DE SCHWARTZ

Tableau A5 – 2 : Caractéristiques des variables sous étude

DDIR DM2 LCRED DROX DIPC LPIB GOV BTR

Mean -0.005745 0.029971 0.022081 0.010053 0.018182 0.030860 18.60777 3.693328

Median 0.000000 0.029867 0.033285 0.003346 0.013606 0.010067 18.61074 3.790533

Maximum 0.485508 0.139624 0.200284 0.105361 0.079571 0.888051 19.43825 4.700480

Minimum -0.353279 -0.038602 -0.258503 -0.098061 -0.021661 -0.634662 17.55052 2.200552

Std. Dev. 0.140607 0.034656 0.089309 0.037431 0.020511 0.204933 0.485411 0.607142

Skewness 0.417113 0.426856 -0.960528 0.261044 1.044705 0.968295 -0.303976 -0.446815

Kurtosis 5.928205 3.540788 4.854051 4.904475 3.857102 9.692471 2.298869 2.619389

Jarque-Bera 20.47196 2.255316 15.74091 8.611615 11.26307 107.1915 1.901793 2.083431

Probability 0.000036 0.323791 0.000382 0.013490 0.003583 0.000000 0.386394 0.352849

Sum -0.304489 1.588449 1.170275 0.532805 0.963627 1.635587 986.2117 195.7464

Sum Sq. Dev. 1.028054 0.062453 0.414753 0.072856 0.021876 2.183865 12.25246 19.16830

Observations 53 53 53 53 53 53 53 53

Il ressort de ce panel que toutes les variables sont non gaussiennes, à l’exception près de la masse

monétaire, les dépenses gouvernementales et les encours BTR.

Partant du tableau A2, il ressort que le modèle aura 13 décalages. A ce niveau, la question que l’on se

pose est donc de savoir quel décalage retenir dans le modèle VAR (p) à estimer ? Pour y répondre, nous

allons recourir aux critères d’AKAIKE et SCHWARTZ.

Soit T, taille de l’échantillon : T = 54 et K, le nombre de décalages : K = T/4 K = 14 ; les critères

d’Akaike (AICp) et de Schwartz (SCp) sont calculés par les formules suivantes.

et


XXVII

Le décalage optimal s’obtient à partir du tableau A5 – 3. En vertu du critère de parcimonie, on retient p

= 1.

Tableau A5 – 3 : Détermination du décalage optimal

K (nombre de décalage) Akaike Info Criterion (AIC) Schwartz criterion (SC)

1 -16.89573 -14.19401

2 -16.23512 -11.08359

3 -16.34552 -8.697431

4 . . .

-18.59228 . . .

-8.399619 . . .

(C) TEST DE CAUSALITE AU SENS DE GRANGER

Tableau A5 – 4 : Résultat du test de causalité au sens de Granger

Pairwise Granger Causality Tests

Date: 08/23/11 Time: 22:27

Sample: 2007M01 2011M06

Lags: 1

Null Hypothesis: Obs F-Statistic Probability

DM2 does not Granger Cause DDIR 52 2.72364 0.10527

DDIR does not Granger Cause DM2 0.25580 0.61529

LCRED does not Granger Cause DDIR 52 0.12672 0.72339

DDIR does not Granger Cause LCRED 0.38319 0.53877

DROX does not Granger Cause DDIR 52 0.04126 0.83988

DDIR does not Granger Cause DROX 3.14362 0.08244***

DIPC does not Granger Cause DDIR 52 0.76188 0.38700

DDIR does not Granger Cause DIPC 4.12948 0.04758**

LPIB does not Granger Cause DDIR 52 0.08395 0.77324

DDIR does not Granger Cause LPIB 0.11834 0.73231

GOV does not Granger Cause DDIR 52 1.68068 0.20091

DDIR does not Granger Cause GOV 0.03141 0.86006

BTR does not Granger Cause DDIR 52 0.54165 0.46526

DDIR does not Granger Cause BTR 2.61560 0.11224

LCRED does not Granger Cause DM2 52 0.42147 0.51924

DM2 does not Granger Cause LCRED 0.20864 0.64986

DROX does not Granger Cause DM2 52 0.56226 0.45693

DM2 does not Granger Cause DROX 16.6528 0.00016*


XXVIII

DIPC does not Granger Cause DM2 52 0.01232 0.91208

DM2 does not Granger Cause DIPC 13.4163 0.00061*

LPIB does not Granger Cause DM2 52 0.00586 0.93930

DM2 does not Granger Cause LPIB 0.34046 0.56224

GOV does not Granger Cause DM2 52 0.41605 0.52192

DM2 does not Granger Cause GOV 0.17648 0.67626

BTR does not Granger Cause DM2 52 0.03003 0.86313

DM2 does not Granger Cause BTR 0.28775 0.59409

DROX does not Granger Cause LCRED 52 1.65268 0.20464

LCRED does not Granger Cause DROX 0.15316 0.69723

DIPC does not Granger Cause LCRED 52 4.58668 0.03722**

LCRED does not Granger Cause DIPC 0.64025 0.42748

LPIB does not Granger Cause LCRED 52 2.61169 0.11250

LCRED does not Granger Cause LPIB 0.56614 0.45540

GOV does not Granger Cause LCRED 52 0.15147 0.69882

LCRED does not Granger Cause GOV 0.34592 0.55913

BTR does not Granger Cause LCRED 52 0.01768 0.89475

LCRED does not Granger Cause BTR 0.03197 0.85882

DIPC does not Granger Cause DROX 52 1.07082 0.30584

DROX does not Granger Cause DIPC 5.12790 0.02800**

LPIB does not Granger Cause DROX 52 1.3E-06 0.99909

DROX does not Granger Cause LPIB 0.14138 0.70854

GOV does not Granger Cause DROX 52 0.57886 0.45040

DROX does not Granger Cause GOV 2.85036 0.09771

BTR does not Granger Cause DROX 52 0.83394 0.36561

DROX does not Granger Cause BTR 2.94852 0.09227***

LPIB does not Granger Cause DIPC 52 0.63288 0.43014

DIPC does not Granger Cause LPIB 0.16305 0.68812

GOV does not Granger Cause DIPC 52 0.37924 0.54086

DIPC does not Granger Cause GOV 1.90305 0.17400

BTR does not Granger Cause DIPC 52 0.57227 0.45298

DIPC does not Granger Cause BTR 0.31921 0.57466

GOV does not Granger Cause LPIB 52 0.22347 0.63851

LPIB does not Granger Cause GOV 0.46041 0.50062

BTR does not Granger Cause LPIB 52 0.06181 0.80470


XXIX

LPIB does not Granger Cause BTR 2.85733 0.09731***

BTR does not Granger Cause GOV 53 9.00771 0.00419*

GOV does not Granger Cause BTR 17.6513 0.00011*

Causalité : *au seuil de 1 % ; **au seuil de 5 % ; ***au seuil de 10 %. Où DDIR : Taux d’intér t directeur de la BCC ; DM2 : Masse monétaire ; LCRED : Crédit l’économie ; DROX : Taux de change ; DIPC : Prix à la consommation ; LPIB : PIB ; GOV : dépenses gouvernementales ; BTR : Encours BTR.

(D) ESTIMATION DU MODELE VAR(1)

Tableau A5 – 5 : Résultats de l’estimation du modèle VAR(1)

Vector Autoregression Estimates

Date: 08/24/11 Time: 00:55

Sample (adjusted): 2007M03 2011M06

Included observations: 52 after adjustments

Standard errors in ( ) & t-statistics in [ ]

DDIR DM2 LCRED DROX DIPC LPIB GOV BTR

DDIR(-1) 0.310935 0.047747 0.105590 0.040233 0.026335 -0.160629 0.201717 -0.400616

(0.17451) (0.04790) (0.11742) (0.04480) (0.02057) (0.28477) (0.26331) (0.36030)

[ 1.78178] [ 0.99689] [ 0.89928] [ 0.89812] [ 1.28042] [-0.56406] [ 0.76608] [-1.11190]

DM2(-1) 1.113743 0.220759 0.299501 0.577533 0.184261 -0.615127 -0.315848 2.707713

(0.59701) (0.16386) (0.40169) (0.15325) (0.07036) (0.97423) (0.90081) (1.23262)

[ 1.86553] [ 1.34726] [ 0.74560] [ 3.76845] [ 2.61875] [-0.63140] [-0.35063] [ 2.19671]

LCRED(-1) -0.102170 0.037282 -0.248748 -0.045737 -0.013399 0.410955 -0.101328 -0.058642 (0.22559) (0.06192) (0.15178) (0.05791) (0.02659) (0.36812) (0.34038) (0.46576)

[-0.45291] [ 0.60215] [-1.63883] [-0.78982] [-0.50398] [ 1.11635] [-0.29769] [-0.12591]

DROX(-1) -0.547729 -0.171738 -0.335461 -0.185744 0.081260 -0.598368 -2.423361 -1.284148

(0.65390) (0.17947) (0.43997) (0.16786) (0.07707) (1.06707) (0.98665) (1.35008)

[-0.83763] [-0.95691] [-0.76246] [-1.10656] [ 1.05441] [-0.56076] [-2.45615] [-0.95117]

DIPC(-1) 0.931868 0.022586 -1.329308 0.161831 0.397341 0.595074 -1.559617 0.515847

(1.15251) (0.31632) (0.77546) (0.29585) (0.13583) (1.88073) (1.73899) (2.37954)

[ 0.80855] [ 0.07140] [-1.71422] [ 0.54700] [ 2.92524] [ 0.31641] [-0.89685] [ 0.21678]

LPIB(-1) 0.029370 0.008571 0.100917 0.002477 0.008461 -0.160966 0.078587 -0.372151

(0.09534) (0.02617) (0.06415) (0.02448) (0.01124) (0.15559) (0.14386) (0.19685)

[ 0.30804] [ 0.32753] [ 1.57309] [ 0.10122] [ 0.75296] [-1.03457] [ 0.54626] [-1.89049]

GOV(-1) 0.098208 0.018535 0.039105 0.013501 0.011825 -0.211963 0.548496 0.534842 (0.07728) (0.02121) (0.05200) (0.01984) (0.00911) (0.12611) (0.11660) (0.15955)

[ 1.27083] [ 0.87387] [ 0.75207] [ 0.68059] [ 1.29830] [-1.68083] [ 4.70396] [ 3.35213]

BTR(-1) -0.046028 -0.010600 -0.018531 -0.003234 -0.008217 0.169260 0.346473 0.524749

(0.06307) (0.01731) (0.04243) (0.01619) (0.00743) (0.10292) (0.09516) (0.13021)

[-0.72982] [-0.61236] [-0.43670] [-0.19978] [-1.10553] [ 1.64464] [ 3.64096] [ 4.02997]

C -1.708023 -0.282012 -0.616958 -0.246733 -0.184811 3.359931 7.210317 -8.236228

(1.23968) (0.34025) (0.83411) (0.31823) (0.14611) (2.02297) (1.87052) (2.55951)

[-1.37779] [-0.82885] [-0.73966] [-0.77533] [-1.26491] [ 1.66089] [ 3.85472] [-3.21789]

Où (.) : écart-type et [.] : t-Student.


XXX

Tableau A5 – 6 : Tests associées aux outputs de l’estimation du modèle d’analyse

Statistiques Modèle 1 Modèle 2 Modèle 3 Modèle 4 Modèle 5 Modèle 6 Modèle 7 Modèle 8

R-squared 0.244689 0.105178 0.187912 0.324687 0.532555 0.099666 0.857399 0.832581

Adj. R-squared 0.104167 -0.061300 0.036826 0.199047 0.445588 -0.067839 0.830869 0.801434

Sum sq. resids 0.736168 0.055456 0.333274 0.048511 0.010226 1.960366 1.676028 3.138142

S.E. equation 0.130844 0.035912 0.088037 0.033588 0.015421 0.213518 0.197427 0.270148

F-statistic 1.741278 0.631782 1.243741 2.584273 6.123668 0.595004 32.31763 26.73012

Log likelihood 36.91124 104.1439 57.51605 107.6227 148.1018 11.44612 15.52044 -0.786870

Akaike AIC -1.073509 -3.659382 -1.866002 -3.793180 -5.350069 -0.094081 -0.250786 0.376418

Schwarz SC -0.735794 -3.321666 -1.528287 -3.455464 -5.012354 0.243634 0.086929 0.714133

Mean dependent -0.010147 0.029554 0.020823 0.009444 0.018168 0.032395 18.62123 3.705732

S.D. dependent 0.138242 0.034859 0.089705 0.037530 0.020711 0.206624 0.480059 0.606246

Determinant resid covariance (dof adj.) 1.82E-18

Determinant resid covariance 3.98E-19

Log likelihood 511.2890

Akaike information criterion -16.89573

Schwarz criterion -14.19401

(E) TEST DIAGNOSTIC

Tableau A5 – 7 : Tests de validité de l'estimation du VAR

AR ROOTS TABLE

Roots of Characteristic Polynomial Endogenous variables: DDIR DM2 LCRED DROX DIPC LPIB GOV BTR Exogenous variables: C Lag specification: 1 1 Date: 08/24/11 Time: 01:33

Root Modulus

0.935151 0.935151

0.529720 0.529720

0.196142 - 0.281234i 0.342877

0.196142 + 0.281234i 0.342877

-0.276756 - 0.077871i 0.287503

-0.276756 + 0.077871i 0.287503

0.051589 - 0.107797i 0.119505

0.051589 + 0.107797i 0.119505

No root lies outside the unit circle.

VAR satisfies the stability condition.

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5

Inverse Roots of AR Characteristic Polynomial


XXXI

(F) ANALYSE DES CHOCS DE POLITIQUE MONETAIRE

SCENARIO 1 : CHOC SUR LE TAUX D’INTERET DIRECTEUR DE LA BCC

Figure A5 – 1 : Simulation du choc sur le taux d’intérêt

-.004

.000

.004

.008

.012

.016

1 2 3 4 5 6 7 8 9 10


-.03

-.02

-.01

.00

.01

.02

.03

1 2 3 4 5 6 7 8 9 10


-.004

.000

.004

.008

.012

.016

.020

1 2 3 4 5 6 7 8 9 10


-.15

-.10

-.05

.00

.05

1 2 3 4 5 6 7 8 9 10




XXXII

SCENARIO 2 : CHOC SUR LES VENTES BTR

Figure A5 – 2 : Simulation du choc sur le BTR

-.04

.00

.04

.08

.12

.16

1 2 3 4 5 6 7 8 9 10

Response of GOV to Cholesky

One S.D. BTR Innovation


XXXIII

SCENARIO 3 : CHOC SUR LA MASSE MONETAIRE

Figure A5 – 3 : Simulation du choc sur la masse monétaire

-.005

.000

.005

.010

.015

1 2 3 4 5 6 7 8 9 10

Response of DIPC to DM2

-.04

-.03

-.02

-.01

.00

.01

.02

.03

.04

.05

1 2 3 4 5 6 7 8 9 10

Response of LCRED to DM2

-.01

.00

.01

.02

.03

1 2 3 4 5 6 7 8 9 10

Response of DROX to DM2

-.12

-.08

-.04

.00

.04

.08

1 2 3 4 5 6 7 8 9 10

Response of GOV to DM2



XXXIV

(G) DECOMPOSITION DE LA VARIANCE D’ERREUR

Tableau A5 – 8 : Décomposition de la variance d’erreur prévisionnelle

Variance Decomposition of DDIR:

Period S.E. DDIR DM2 LCRED DROX DIPC LPIB GOV BTR

1 0.130844 100.0000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000

2 0.144436 90.17295 4.823114 0.617008 0.873718 1.953058 0.024165 0.951351 0.584637

3 0.147205 88.39811 4.896109 0.675905 1.043375 2.700474 0.123388 1.537880 0.624762

4 0.147915 87.82073 4.877011 0.671568 1.094851 2.838477 0.169362 1.891107 0.636889

5 0.148249 87.43885 4.855505 0.685916 1.111182 2.879165 0.169670 2.118388 0.741322

6 0.148521 87.12456 4.838006 0.691802 1.112281 2.885314 0.174813 2.310391 0.862829

7 0.148784 86.83888 4.820922 0.700339 1.112778 2.881586 0.184982 2.467813 0.992704

8 0.149030 86.58640 4.805521 0.707822 1.112151 2.874678 0.195891 2.602075 1.115465

9 0.149257 86.36258 4.791994 0.714748 1.111250 2.867193 0.206982 2.716353 1.228899

10 0.149460 86.16593 4.780201 0.720812 1.110166 2.860051 0.217458 2.814630 1.330752

Variance Decomposition of BTR:


1 0.035912 3.885976 3.151280 2.069190 7.699594 0.024275 0.485121 3.798892 78.88567

2 0.037598 2.972341 9.075392 1.565183 4.655537 1.643946 5.638075 13.72205 60.72748

3 0.037795 3.278951 8.066880 1.811330 3.896654 1.984101 5.022810 21.97275 53.96653

4 0.037852 3.954476 6.794133 2.131961 3.636585 1.843653 4.602087 25.91984 51.11727

5 0.037877 4.959555 5.990069 2.277305 3.309363 1.659362 4.441588 27.91599 49.44677

6 0.037895 5.915332 5.419003 2.345514 3.036627 1.509192 4.392874 29.06506 48.31640

7 0.037910 6.698414 4.998433 2.392661 2.829729 1.394311 4.377105 29.82112 47.48823

8 0.037923 7.317493 4.683414 2.427943 2.673615 1.305876 4.368390 30.36068 46.86259

9 0.037934 7.808100 4.442557 2.455552 2.553320 1.236743 4.362894 30.76080 46.38003

10 0.037943 8.201086 4.254264 2.477095 2.458491 1.181899 4.359311 31.06719 46.00067

Variance Decomposition of GOV:


1 0.088037 7.127187 92.87281 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000

2 0.094006 8.199720 87.99513 0.649876 1.957540 0.206804 0.070436 0.462919 0.457577

3 0.096951 8.274696 87.14221 0.679428 2.256705 0.206014 0.303228 0.658738 0.478986

4 0.097422 8.250952 87.03069 0.694567 2.285998 0.205766 0.302787 0.696348 0.532894

5 0.097555 8.264060 86.93314 0.694530 2.283034 0.205559 0.308258 0.727027 0.584394

6 0.097583 8.274718 86.84962 0.695537 2.280828 0.205450 0.314614 0.755914 0.623321

7 0.097591 8.281336 86.78259 0.696941 2.279269 0.205427 0.318250 0.783692 0.652497

8 0.097594 8.286214 86.72502 0.698454 2.278185 0.205390 0.320895 0.808260 0.677583

9 0.097595 8.290529 86.67458 0.699783 2.277246 0.205340 0.323161 0.829643 0.699716

10 0.097596 8.294430 86.63031 0.700922 2.276400 0.205290 0.325187 0.848236 0.719228

Cholesky Ordering: DDIR DM2 LCRED DROX DIPC LPIB GOV BTR


XXXV

Tableau A5 – 9 : Base des données (supplémentaire)

CHA CRED DIR GOUV IPC M2 PIB BTR

6,291569 12,47409 3,688879 17,95049 3,854394 13,04422 3,480009 2,881443

6,333280 12,56159 3,912023 17,90794 3,873282 13,09587 3,431080 3,048325

6,315358 12,41236 3,912023 17,55052 3,889777 13,10366 3,494080 2,575661

6,302619 12,42705 3,688879 17,72747 3,899950 13,07250 3,494384 2,200552

6,204558 12,38296 3,401197 17,64878 3,914021 13,04600 3,484926 2,575661

6,206576 12,37955 3,401197 17,78628 3,908015 13,05044 3,449988 2,508786

6,204558 12,42866 3,113515 18,07510 3,899950 13,05801 3,505858 2,747271

6,204558 12,44579 3,113515 17,97326 3,903991 13,11334 3,466985 2,712706

6,212606 12,46032 3,113515 17,84135 3,908015 13,16231 3,482777 3,379974

6,208590 12,58567 3,113515 18,06284 3,914021 13,24878 3,521644 3,379974

6,220590 12,66033 3,113515 18,54868 3,925926 13,30378 3,472587 3,343215

6,220590 12,82761 3,113515 18,41614 3,933784 13,39823 3,497719 3,492865

6,317165 12,87131 3,178054 18,29058 3,947390 13,46556 4,385770 3,819688

6,324359 12,94606 3,178054 18,02084 3,958907 13,52411 4,382776 3,504656

6,326149 12,87554 3,178054 18,35943 3,968403 13,55732 4,392843 3,419365

6,318968 12,94713 3,178054 18,36441 3,988984 13,58901 4,406597 2,721295

6,326149 12,92546 3,178054 18,21737 4,030695 13,61593 4,402197 3,221672

6,326149 12,66696 3,401197 18,23668 4,075841 13,65474 4,425804 3,348500

6,335054 12,80248 3,401197 18,61074 4,110874 13,69848 4,406353 3,258097

6,349139 12,96679 3,401197 18,46446 4,120662 13,69236 4,403421 3,511545

6,376727 12,86041 3,401197 18,49723 4,125520 13,71382 4,413283 3,762827

6,459904 13,03567 3,401197 18,56084 4,128746 13,71977 4,413404 3,836221

6,376727 13,02298 3,401197 18,82390 4,143135 13,71643 4,417032 3,314913

6,459904 13,07190 3,688879 18,71665 4,177459 13,85605 4,436870 3,850360

6,565265 13,11048 4,174387 18,28326 4,257030 13,88047 3,802208 3,874529

6,616065 12,93772 4,174387 18,26890 4,312141 13,95553 3,977811 3,850360

6,712956 13,01996 4,174387 18,78048 4,370713 13,95916 4,157319 3,993050

6,704414 12,94627 4,174387 18,58870 4,430817 13,93390 4,139955 3,538057

6,652863 13,00730 4,174387 18,38567 4,409155 13,91986 4,309456 3,508256

6,628041 13,20759 4,174387 18,55291 4,401829 13,93064 4,599152 3,581016

6,672033 13,27839 4,174387 19,09186 4,418841 13,95812 4,614130 3,687128

6,715383 13,31438 4,174387 18,83731 4,445001 14,02725 4,698661 3,745496

6,756932 13,32716 4,174387 18,87893 4,488636 14,09629 4,733563 4,041471

6,783325 13,37098 4,248495 18,80702 4,557030 14,14153 5,290789 4,290322

6,812345 13,40427 4,248495 18,97983 4,603168 14,17799 4,976734 4,025352

6,805723 13,43952 4,248495 18,57650 4,605170 14,24959 4,892602 4,037774

6,824374 13,45844 4,248495 18,86890 4,636669 14,25193 4,842611 3,951244

6,825460 13,44578 4,248495 18,75234 4,646312 14,25934 5,140493 3,790533

6,801283 13,42542 4,094345 18,89414 4,648230 14,28367 5,052417 3,139400

6,796824 13,43608 3,951244 18,98691 4,650144 14,27489 4,685828 3,913422

6,800170 13,44067 3,737670 18,88912 4,649187 14,27944 4,838660 4,219508

6,805723 13,51483 3,737670 18,72647 4,650144 14,30984 4,877485 4,513055

6,800170 13,50038 3,384390 19,08779 4,652054 14,31114 5,190732 3,998201

6,806829 13,48419 3,091042 18,99863 4,660605 14,36316 5,293807 3,904595

6,807935 13,49939 3,091042 18,98524 4,660605 14,40581 5,125748 4,406963

6,812345 13,58066 3,091042 19,09287 4,670021 14,39715 5,134621 4,442651

6,812345 13,61011 3,091042 19,14308 4,681205 14,44763 5,134621 4,521789

6,818924 13,61093 3,091042 19,32846 4,698661 14,51345 5,139908 4,653960

6,825460 13,38160 3,091042 19,06288 4,713486 14,47485 5,080783 4,343805

6,828712 13,44970 3,384390 19,12253 4,731627 14,49981 5,139322 4,465908

6,823286 13,48967 3,384390 19,43825 4,756345 14,54679 5,150977 4,204693

6,825460 13,52643 3,384390 19,32983 4,777273 14,55878 5,164214 4,700480

6,831954 13,55814 3,384390 19,43075 4,797112 14,58865 5,238567 4,605170

6,824374 13,64437 3,384390 19,34064 4,818021 14,63267 5,115596 4,264087

Taux de change (CHA) ; Crédit l’économie (CRED) ; Taux d’intér t directeur (DIR) ; Dépenses gouvernementales (GOUV) ; Prix à la consommation (IPC) ; Masse monétaire (M2) ; Encours BTR (BTR).

diagnostic de la politique mon etaire en r ep. d em. congo...

Documents